Opinie czytelników
Podsumowanie:Książka otrzymuje mieszane recenzje, chwalone za jej teoretyczny zakres i organizację, ale krytykowane za brak praktycznych przykładów i praktycznych wskazówek dotyczących wdrażania technik eksploracji danych. Niektórzy czytelnicy uznali ją za trudną ze względu na jej abstrakcyjną zawartość matematyczną, podczas gdy inni docenili kompleksowy przegląd, jaki zapewnia.
Zalety:⬤ Zapewnia solidne podstawy teoretyczne w eksploracji danych.
⬤ Dobrze zorganizowana struktura z jasnymi wyjaśnieniami pojęć statystycznych.
⬤ Obejmuje szeroki zakres algorytmów i metod eksploracji danych, w tym nowoczesne podejścia.
⬤ Doskonała dla osób z dobrym zapleczem statystycznym, które szukają głębi.
⬤ Zawiera cenne sugestie dotyczące dalszej lektury na końcu każdego rozdziału.
Wady:⬤ Brak praktycznych przykładów i konkretnych zastosowań, co utrudnia implementację.
⬤ Abstrakcyjne treści matematyczne mogą stanowić wyzwanie dla czytelników bez solidnego przygotowania statystycznego.
⬤ Niektórzy recenzenci uznali ją za mylącą w oparciu o jej tytuł, twierdząc, że koncentruje się ona bardziej na statystykach niż technikach eksploracji danych.
⬤ Brak ćwiczeń wzmacniających proces uczenia się.
(na podstawie 15 opinii czytelników)
Oryginalny tytuł:
Principles of Data Mining
Zawartość książki:
Pierwszy prawdziwie interdyscyplinarny tekst na temat eksploracji danych, łączący wkład informatyki, informatyki i statystyki.
Rosnące zainteresowanie eksploracją danych jest motywowane wspólnym problemem różnych dyscyplin: w jaki sposób można przechowywać, uzyskiwać dostęp, modelować, a ostatecznie opisywać i rozumieć bardzo duże zbiory danych? W przeszłości różne aspekty eksploracji danych były rozpatrywane niezależnie przez różne dyscypliny. Jest to pierwszy prawdziwie interdyscyplinarny tekst na temat eksploracji danych, łączący wkład informatyki, informatyki i statystyki.
Książka składa się z trzech części. Pierwsza z nich, Fundamenty, zawiera przegląd zasad leżących u podstaw algorytmów eksploracji danych i ich zastosowań. Prezentacja kładzie nacisk raczej na intuicję niż na rygor. Druga część, Algorytmy eksploracji danych, pokazuje, w jaki sposób algorytmy są konstruowane w celu rozwiązywania konkretnych problemów w sposób zgodny z zasadami. Omawiane algorytmy obejmują drzewa i reguły klasyfikacji i regresji, reguły asocjacyjne, sieci przekonań, klasyczne modele statystyczne, modele nieliniowe, takie jak sieci neuronowe, oraz lokalne modele „oparte na pamięci”. Trzecia sekcja pokazuje, w jaki sposób wszystkie poprzednie analizy pasują do siebie, gdy są stosowane do rzeczywistych problemów związanych z eksploracją danych. Tematy obejmują rolę metadanych, sposób obsługi brakujących danych i wstępne przetwarzanie danych.
