来源：专知本文多图，建议阅读5分钟这本书奠定了数据分析、模式挖掘、聚类、分类和回归的基础，集中在算法和潜在的代数、几何和概率概念上。

数据挖掘和机器学习的基本算法构成了数据科学的基础，利用自动化方法分析各种数据的模式和模型，应用范围从科学发现到商业分析。本教材面向本科和研究生课程，全面深入地介绍了数据挖掘、机器学习和统计学，为学生、研究人员和实践者提供了坚实的指导。这本书奠定了数据分析、模式挖掘、聚类、分类和回归的基础，集中在算法和潜在的代数、几何和概率概念上。新的第二版是一个完整的部分致力于回归方法，包括神经网络和深度学习。

• 涵盖核心方法和前沿研究，包括深度学习

• 提供了一种基于开源实现的算法方法

• 包含了经过类测试的例子和练习，允许课程设计的灵活性和现成的参考

数据挖掘和机器学习使人能够从数据中获得基本的见解和知识。它们允许发现深刻的、有趣的和新颖的模式，以及从大规模数据中描述的、可理解的和可预测的模型。在这个领域有几本好书，但其中很多不是太高级就是太高级。这本书是一个介绍性的文本，奠定了机器学习和数据挖掘的基本概念和算法的基础。重要的概念在第一次遇到时就会被解释，并附有详细的步骤和推导。本书的主要目标是通过对数据和方法的几何、(线性)代数和概率解释的相互作用，建立公式背后的直觉。这第二版在回归上增加了一个完整的新部分，包括线性和逻辑回归，神经网络，和深度学习。其他章节的内容也进行了更新，已知的勘误表也得到了修正。本书的主要部分包括数据分析基础、频繁模式挖掘、聚类、分类和回归。这些课程涵盖了核心方法以及尖端主题，如深度学习、核方法、高维数据分析和图分析。

深度学习，核方法，高维数据分析，图分析。这本书包括许多例子来说明概念和算法。它也有结束语练习，在课堂上使用过。书中所有的算法都是由作者实现的。为了帮助实际理解，我们建议读者自己实现这些算法(例如，使用Python或R)。如幻灯片、数据集和视频等补充资源可以在该书的同伴站点在线获得:

http://dataminingbook.info

目录内容：

• Front Matter

• Contents

• Preface

• PART I. DATA ANALYSIS FOUNDATIONS

• • 1 Data Mining and Analysis

  • 2 Numeric Attributes

  • 3 Categorical Attributes

  • 4 Graph Data

  • 5 Kernel Methods

  • 6 High-dimensional Data

  • 7 Dimensionality Reduction

• PART II. FREQUENT PATTERN MINING

• • 8 Itemset Mining

  • 9 Summarizing Itemsets

  • 10 Sequence Mining

  • 11 Graph Pattern Mining

  • 12 Pattern and Rule Assessment

• PART III. CLUSTERING

• • 13 Representative-based Clustering

  • 14 Hierarchical Clustering

  • 15 Density-based Clustering

  • 16 Spectral and Graph Clustering

  • 17 Clustering Validation

• PART IV. CLASSIFICATION

• • 18 Probabilistic Classification

  • 19 Decision Tree Classifier

  • 20 Linear Discriminant Analysis

  • 21 Support Vector Machines

  • 22 Classification Assessment

• PART V. REGRESSION

• • 23 Linear Regression

  • 24 Logistic Regression

  • 25 Neural Networks

  • 26 Deep Learning

  • 27 Regression Evaluation

• Index

Slides：

PART I. DATA ANALYSIS FOUNDATIONS

• 1 Data Mining and Analysis: Chap1 PDF, Chap1 PPT

• 2 Numeric Attributes: Chap2 PDF, Chap2 PPT

• 3 Categorical Attributes: Chap3 PDF, Chap3 PPT

• 4 Graph Data: Chap4 PDF, Chap4 PPT

• 5 Kernel Methods: Chap5 PDF, Chap5 PPT

• 6 High-dimensional Data: Chap6 PDF, Chap6 PPT

• 7 Dimensionality Reduction: Chap7 PDF, Chap7 PPT

PART II. FREQUENT PATTERN MINING

• 8 Itemset Mining: Chap8 PDF, Chap8 PPT

• 9 Summarizing Itemsets: Chap9 PDF, Chap9 PPT

• 10 Sequence Mining: Chap10 PDF, Chap10 PPT

• 11 Graph Pattern Mining: Chap11 PDF, Chap11 PPT

• 12 Pattern and Rule Assessment: Chap12 PDF, Chap12 PPT

PART III. CLUSTERING

• 13 Representative-based Clustering: Chap13 PDF, Chap13 PPT

• 14 Hierarchical Clustering: Chap14 PDF, Chap14 PPT

• 15 Density-based Clustering: Chap15 PDF, Chap15 PPT

• 16 Spectral and Graph Clustering: Chap16 PDF, Chap16 PPT

• 17 Clustering Validation: Chap17 PDF, Chap17 PPT

PART IV. CLASSIFICATION

• 18 Probabilistic Classification: Chap18 PDF, Chap18 PPT

• 19 Decision Tree Classifier: Chap19 PDF, Chap19 PPT

• 20 Linear Discriminant Analysis: Chap20 PDF, Chap20 PPT

• 21 Support Vector Machines: Chap21 PDF, Chap21 PPT

• 22 Classification Assessment: Chap22 PDF, Chap22 PPT

PART V. REGRESSION

• 23 Linear Regression: Chap23 PDF, Chap23 PPT

• 24 Logistic Regression: Chap24 PDF, Chap24 PPT

• 25 Neural Networks: Chap25 PDF, Chap25 PPT

• 26 Deep Learning: Chap26 PDF, Chap26 PPT

• 27 Regression Evaluation: Chap27 PDF, Chap27 PPT

编辑：文婧