Buscar
Minha Conta

Atendimento(21) 2262-3111 / (21) 2262-3111

Introdução ao Data Mining (Mineração de Dados)

Esta obra cobre cinco tópicos principais: dados, classificação, análise de associação, agrupamento e detecção de anomalias. Exceto pela detecção de anomalias, cada uma destas áreas é coberta em um par de capítulos. Para classificação, análise de associação e agrupamento, o capítulo introdutório cobre conceitos básicos, algoritmos representativos e técnicas de avaliação, enquanto que o capítulo mais avançado discute conceitos e algoritmos avançados. O objetivo é fornecer ao leitor uma compreensão dos fundamentos da mineração de dados, embora ainda assim cobrindo muitos tópicos avançados importantes. Devido a esta abordagem, o livro é útil tanto como ferramenta de aprendizagem quanto como referência.

VITRINE Os TOP de vendas !!

+-

Quem viu este produto , comprou

Quem viu este produto , também se interessou

  • Descrição
    Introdução ao Data Mining (Mineração de Dados)

    Esta obra cobre cinco tópicos principais: dados, classificação, análise de associação, agrupamento e detecção de anomalias. Exceto pela detecção de anomalias, cada uma destas áreas é coberta em um par de capítulos. Para classificação, análise de associação e agrupamento, o capítulo introdutório cobre conceitos básicos, algoritmos representativos e técnicas de avaliação, enquanto que o capítulo mais avançado discute conceitos e algoritmos avançados. O objetivo é fornecer ao leitor uma compreensão dos fundamentos da mineração de dados, embora ainda assim cobrindo muitos tópicos avançados importantes. Devido a esta abordagem, o livro é útil tanto como ferramenta de aprendizagem quanto como referência.
  • Sobre o Autor
  • Especificação

    Características

    Tipo de LivroLivro Físico

    Especificações

    Sobre o AutorPang-Ning Tan

    Pang-Ning Tan, É professor assistente no departamento de Ciência da Computação e Engenharia na Universidade Estadual de Michigan. Tem certificado de PHD em Ciência da Computação pela Universidade de Minnesota. Suas Pesquisas focam o desenvolvimento e aplicacações em algoritmos na mineração de dados para uma grande variedade de aplicações incluindo informações médicas.

    Michael Steinbach

    Michael Steinbach graduado em Matemática, Estatistica e PHD em Ciência da Computação na Universidade de Minnesota. É atualmente um pesquisador associado ao Departamento de Ciência da Computação e Engenheiro na Universidade de Minnesota. Anteriormente, desenvolveu uma variedade de softwares de engenharia, análise e design para Silicon Biology, Racotek e NCR. Sua pesquisa é direcionada a área de mineração de dados, bioinformática e estatística. Foi autor de mais de 20 artigos de pesquisa e é co-autor do livro Data Mining. É membro do Instituto de Engenharia Eletro e Eletrônicos(IEEE) e o Associação para Marquinária Computacional.

    Vipin Kumar

    Vipin Kumar, atualmente é chefe do Departamento de Ciência da Computação e Engenharia da Universidade de Minnesota. Kumar foi organizador e co-organizador para várias conferências e workshops internacionais na área de mineração de dados. Em 2001 foi um dos fundadores da SIAM (Sociedade para Matemáticos Industriais e Aplicados), ficou como diretor em 2007.
    Informações Técnicas1 INTRODUÇÃO -
    1 1.1 O Que É Mineração de Dados? - 3
    1.2 Desa?os Motivadores - 5
    1.3 As Origens da Mineração de Dados - 7
    1.4 Tarefas de Mineração de Dados - 8
    1.5 Escopo e Organização do Livro - 13
    1.6 Notas Bibliográficas - 15
    1.7. Exercícios - 21

    2 DADOS - 23
    2.1 Tipos de Dados - 26
    2.1.1. Atributos e Medidas - 27
    2.1.2. Tipos de Conjuntos de Dados - 34
    2.2 Qualidade dos Dados - 43
    2.2.1 Questões de Medição e Coleta de Dados - 44
    2.2.2 Questões Relacionadas a Aplicações - 52
    2.3 Pré-Processamento de Dados - 53
    2.3.1 Agregação - 54
    2.3.2 Amostragem - 56
    2.3.3 Redução da Dimensionalidade - 60
    2.3.4 Seleção de Subconjunto de Característica - 62
    2.3.5 Criação de Recursos (Características) - 66
    2.3.6 Discretização e Binarização - 69
    2.3.7 Transformação de Variáveis - 75
    2.4 Medidas de Semelhança e Diferença - 78
    2.4.1 Fundamentos - 78
    2.4.2 Semelhança e Diferença entre Atributos Simples - 81
    2.4.3 Diferenças Entre Objetos de Dados - 82
    2.4.4 Semelhanças Entre Objetos de Dados - 86
    2.4.5 Exemplos de Medidas de Proximidade - 87
    2.4.6 Questões Relacionadas ao Cálculo de Proximidade - 95
    2.4.7 Selecionando a Medida de Proximidade Correta - 98
    2.5 Notas Bibliográficas - 100
    2.6 Exercícios - 105

    3 EXPLORANDO OS DADOS - 115
    3.1 O Conjunto de Dados Íris - 116
    3.2 Estatísticas de Resumo - 117
    3.2.1 Frequencias e o Modo - 118
    3.2.2 Porcentagens - 119
    3.2.3 Medidas de Localização: Média e Mediana - 120
    3.2.4 Medidas de Dispersão: Faixa e Variância - 121
    3.2.5 Estatísticas de Resumo com Múltiplas Variáveis - 123
    3.2.6 Outras Formas de Resumir os Dados - 124
    3.3 Visualização - 125
    3.3.1 Motivações para a Visualização - 125
    3.3.2 Conceitos Gerais - 126
    3.3.3 Técnicas - 131
    3.3.4 Visualizando Dados de Dimensões Maiores - 147
    3.3.5 O Que Deve e o Que Não Deve Ser Feito -154
    3.4 OLAP e Análise de Dados Multidimensionais - 155
    3.4.1 Representando Dados da Íris como uma Matriz Multidimensional - 156
    3.4.2 Dados Multidimensionais: O Caso Geral - 158
    3.4.3 Analisando Dados Multidimensionais - 161
    3.4.4 Comentários Finais Sobre a Análise de Dados Multidimensionais - 165
    3.5 Notas Bibliográficas - 165
    3.6 ExercÌcios - 168

    4 CLASSIFICAÇÃO: CONCEITOS BÁSICOS, ÁRVORES DE DECISÃO E AVALIAÇÃO DE MODELOS - 171
    4.1 Preliminares - 172
    4.2 Abordagem Geral para a Resolução de um Problema de Classi?cação - 174
    4.3 Indução da Árvore de Decisão - 176
    4.3.1 Como uma árvore de Decisão Funciona - 176
    4.3.2 Como Construir uma Árvore de Decisão - 179
    4.3.3 Métodos para Expressar Condições de Teste de Atributos - 183
    4.3.4 Métricas para Selecionar a Melhor Divisão - 186
    4.3.5 Algoritmo para Indução de Árvore de Decisão - 195
    4.3.6 Um Exemplo: Detecção de Robô Web - 197
    4.3.7 Características de Indução de Árvore de Decisão - 200
    4.4 Over?tting de Modelo - 204
    4.4.1 Over?tting Devido à Presença de Ruído - 207
    4.4.2 Over?tting Devido a Falta de Amostras Representativas - 209
    4.4.3 Over?tting e o Procedimento de Comparação Múltipla - 211
    4.4.4 Estimativa de Erros de Generalização - 212
    4.4.5 Lidando com Over?tting na Indução de Árvores de Decisão - 218
    4.5 Avaliando o Desempenho de um Classificador - 220
    4.5.1 Método Holdout - 221
    4.5.2 Sub-Amostragem Aleatória - 222
    4.5.3 Validação Cruzada - 222
    4.5.4 Bootstrap - 223
    4.6 Métodos para Comparar Classificadores - 224
    4.6.1 Avaliando um Intervalo de Con?ança Quanto a Precisão - 224
    4.6.2 Comparando o Desempenho de Dois Modelos - 226
    4.6.3 Comparando o Desempenho de Dois Classificadores - 228
    4.7 Notas Bibliográficas - 229
    4.8 Exercícios - 235

    5 CLASSIFICAÇÃO: TÉCNICAS ALTERNATIVAS - 245
    5.1 Classificador Baseado em Regras - 245
    5.1.1 Como um Classificador Baseado em Regras Funciona - 248
    5.1.2 Esquemas de Ordenação de Regras - 250
    5.1.3 Como Construir um Classificador Baseado em Regras - 252
    5.1.4 Métodos Diretos de Extração de Regras - 252
    5.1.5 Métodos Indiretos de Extração de Regras - 261
    5.1.6 Características de Classi?cadores Baseados em Regras - 264
    5.2 Classi?cadores de Vizinho Mais Próximo - 264
    5.2.1 Algoritmo - 266
    5.2.2 Características de Classi?cadores de Vizinho mais Próximo - 268
    5.3 Classi?cadores Bayesianos - 269
    5.3.1 O Teorema de Bayes - 270
    5.3.2 Usando o Teorema de Bayes para Classi?cação - 271
    5.3.3 O Classi?cador de Bayes Simples - 273
    5.3.5 Redes de Crenças Bayesianas - 284
    5.4 Rede Neural Artificial (ANN) - 291
    5.4.1 Perceptron - 291
    5.4.2 Rede Neural Arti?cial Multicamadas - 296
    5.4.3 Características da ANN - 302
    5.5 Support Vector Machine (SVM) - 303
    5.5.1 Hiperplanos de Margem Máxima - 303
    5.5.2 SVM Linear: Caso Separável - 306
    5.5.3 SVM Linear: Caso n„o Separável - 314
    5.5.4 SVM Não Linear - 319
    5.5.5 Características de SVM - 326
    5.6 Métodos de Grupos - 327
    5.6.1 Raciocínio do Método de Grupo - 327
    5.6.2 Métodos para Criar um Classi?cador de Grupo - 329
    5.6.3 Decomposição de Variância na Tendência - 332
    5.6.4 Bagging - 335
    5.6.5 Boosting - 338
    5.6.6 Florestas Aleatórias - 344
    5.6.7 Comparação Empírica entre Métodos de Conjunto - 349
    5.7 O Problema do Desequilíbrio de Classes - 350
    5.7.1 Métricas Alternativas - 351
    5.7.2 A Curva Característica de Operação de um Receptor - 354
    5.7.3 Aprendizagem Sensível ao Custo - 358
    5.7.4 Abordagens Baseadas em Amostragens - 362
    5.8 O Problema de Múltiplas Classes - 363
    5.9 Notas Bibliográficas - 367
    5.10 Exercícios - 375

    6 ANÁLISE ASSOCIATIVA:ALGORITMOS E CONCEITOS BÁSICOS - 389
    6.1. De?nição do Problema - 391
    6.2 Geração de Conjuntos de Itens Frequentes - 395
    6.2.1 O Princípio Apriori - 397
    6.2.2 Geração de Conjuntos de Itens Frequentes no Algoritmo Apriori - 399
    6.2.3. Geração de Candidatos e Poda - 402
    6.2.4 Contagem de Suporte - 407
    6.2.5 Complexidade Computacional - 411
    6.3 Geração de Regras - 416
    6.3.1 Poda Baseada em Con?ança - 416
    6.3.2 Geração de Regras no Algoritmo Apriori - 417
    6.3.3 Um Exemplo: Registros de Votos em Congresso - 419
    6.4 Representação Compacta de Conjuntos de Itens Frequentes - 421
    6.4.1 Conjuntos Máximos de Itens Frequentes - 422
    6.4.2 Conjuntos Fechados de Itens Frequentes - 423
    6.5 Métodos Alternativos para Geração de Conjuntos de Itens Frequentes - 428
    6.6 Algoritmo FP-Grow - 433
    6.6.1 Representação Árvore FP - 434
    6.6.2 Geração de Conjuntos de Itens Frequentes no Algoritmo FP-Growth - 437
    6.7 Avaliação dos Padrões de Associação - 442
    6.7.1 Medidas Objetivas de Interesse - 443
    6.7.2 Medidas Além de Pares de Variáveis Binárias - 456
    6.7.3 Paradoxo de Simpson - 458
    6.8 Efeito da Distribuição Irregular do Suporte - 460
    6.9 Notas Bibliográ?cas - 465
    6.10 Exercícios - 481

    7 ANÁLISE DE ASSOCIA«ÃO: CONCEITOS AVAN«ADOS - 495
    7.1 Lidando com Atributos Categorizados - 495
    7.2.1 Métodos Baseados em Discretização - 499
    7.2.2 Métodos Baseados em Estatísticas - 504
    7.2.3 Métodos sem Discretização - 506
    7.3 Lidando com uma Hierarquia de Conceitos - 509
    7.4 Padrões Sequenciais - 512
    7.4.1 Formulação de Problemas - 512
    7.4.1 Descoberta de Padrões Sequenciais - 515
    7.4.3 Restrições de Tempo - 520
    7.4.4 Esquemas Alternativos de Contagem - 524
    7.5 Padrões de Subgrafos - 527
    7.5.1 Grafos e Subgrafos - 528
    7.5.2 Mineração de Subgrafos Frequentes - 530
    7.5.3 Método do tipo Apriori - 533
    7.5.4 Geração de Candidatas - 534
    7.5.5 Poda de Candidatos - 541
    7.5.6 Contagem de Suporte - 544
    7.6 Padrões Infrequentes - 545
    7.6.1 Padrões Negativos - 546
    7.6.2 Padrões Correlacionados Negativamente - 546
    7.6.3 Comparações Entre Padrões Infrequentes, Padrões Negativis e Padrões Correlacionados Negativamente - 548
    7.6.4 Técnicas para Minerar Padrões Infrequentes Interessantes - 550
    7.6.5 Técnicas Baseadas em Mineração de Padrões Negativos - 552
    7.6.6 Técnicas Baseadas em Expectativa de Suporte - 554
    7.7 Notas Bibliográ?cas - 559
    7.8 Exercícios - 564

    8 ANÁLISE DE GRUPOS: CONCEITOS BÁSICOS E ALGORITMOS - 581
    8.1 Visão Geral - 584
    8.1.1 O Que É Análise de Grupos? - 585
    8.1.2 Diferentes Tipos de Grupos - 586
    8.1.3 Diferentes Tipos de Agrupamentos - 589
    8.2 K-means - 593
    8.2.1 O Algoritmo K-means Básico - 593
    8.2.2 K-means: Questões Adicionais - 603
    8.2.3 Dividindo K-means - 606
    8.2.4 K-means e Diferentes Tipos de Grupos - 608
    8.2.5 Pontos Fortes e Fracos - 609
    8.2.6 K-means como um Problema de Otimização - 611
    8.3 Agrupamento Hierárquico Aglomerativo - 614
    8.3.1 Algoritmo de Agrupamento Hierárquico Aglomerativo Básico - 615
    8.3.2 Técnicas Específicas - 618
    8.3.3 A Fórmula Lance-Williams para Proximidade de Grupos - 623
    8.3.4 Questões Chave no Agrupamento Hierárquico - 624
    8.3.5 Pontos Fortes e Fracos - 626
    8.4 DBSCAN - 626
    8.4.1 Densidade Tradicional: Abordagem Baseada em Centro - 627
    8.4.2 O Algoritmo DBSCAN - 628
    8.4.3 Pontos Fortes e Fracos - 632
    8.5 Avaliação de Grupos - 634
    8.5.1 Visão Geral - 635
    8.5.2 Avaliação de Grupos não Supervisionados Usando Coesão e Separação - 637
    8.5.3 Avaliação de Grupos não Supervisionada Usando a Matriz de Proximidade - 645
    8.5.4 Avaliação Não Supervisionada de Agrupamentos Hierárquicos - 648
    8.5.6 Tendência de Agrupamento - 651
    8.5.7 Medidas Supervisionadas de Validade de Grupos - 652
    8.5.8 Avaliando a Significância de Medidas de Validade de Grupos - 658
    8.6 Notas Bibliográficas - 660
    8.7 Exercícios - 665

    9 ANÁLISE DE GRUPOS: QUEST’ES ADICIONAIS E ALGORITMOS - 677
    9.1 Características de Dados, Grupos e Algoritmos de Agrupamento - 678
    9.1.1 Exemplo: Comparando K-means com DBSCAN - 678
    9.1.2 Características de Dados - 680
    9.1.3 Características de Grupos - 682
    9.1.4 Características Gerais de Algoritmos de Agrupamento - 684
    9.2 Agrupamentos Baseados em Protótipos - 686
    9.2.1 Agrupamento Difuso - 688
    9.2.2 Agrupamentos Usando Modelos de Mistura - 694
    9.2.3 Mapas Auto-Organizados (SOM) - 707
    9.3 Agrupamentos Baseados em Densidade - 714
    9.3.1 Agrupamentos Baseados em Grades - 715
    9.3.2 Agrupamento de Subespaços - 719
    9.3.3 DENCLUE: Um Esquema Baseada no Núcleo para Agrupamentos Baseados em Densidade - 724
    9.4 Agrupamento Baseado em Grafos - 729
    9.4.1 Dispersão - 730
    9.4.2 Agrupamento de Árvore de Dispersão Mínima (MST) - 732
    9.4.3 OPOSSUM: Particionamento Ótimo de Semelhanças Usando METIS - 733
    9.4.4 Chameleon: Agrupamento Hierárquico com Modelagem Dinâmica - 734
    9.4.5 Semelhança de Vizinhos Compartilhados Mais Próximos - 742
    9.4.6 O Algoritmo de Agrupamento de Jarvis-Patrick - 746
    9.4.7 Densidade SNN - 748
    9.4.8 Agrupamento Baseado em Densidade SNN - 749
    9.5 Algoritmos de Agrupamento Escalável - 752
    9.5.1 Escalabilidade: Abordagens e Questões Gerais - 752
    9.5.2 BIRCH - 756
    9.5.3 CURE - 758
    9.6 Qual Algoritmo de Agrupamento? - 763
    9.7 Notas Bibliográ?cas - 767
    9.8 Exercícios - 773

    10 DETECÇÃO DE ANOMALIAS - 777
    10.1 Preliminares - 779
    10.1.1 Causas de Anomalias - 779
    10.1.2 Abordagens para a Detecção de Anomalias - 781
    10.1.3 O Uso de Rótulos de Classes - 782
    10.1.4 Questões - 783
    10.2 Abordagens Estatísticas - 786
    10.2.1 Detectar Elementos Estranhos em uma Distribuição Normal Univariada - 787
    10.2.2 Elementos Estranhos em uma Distribuição Normal Multivariável - 789
    10.2.3 Uma Abordagem de Mistura de Modelos para Detecção de Anomalias - 791
    10.2.4 Pontos Fortes e Fracos - 794
    10.3 Detecção de Elementos Estranhos Baseada em Proximidade - 794
    10.3.1 Pontos Fortes e Fracos - 795
    10.4 Detecção de Elementos Estranhos Baseada em Densidade - 797
    10.4.1 Detecção de Elementos Estranhos Usando Densidade Relativa - 798
    10.4.2 Pontos Fortes e Fracos - 800
    10.5 Técnicas Baseadas em Agrupamento - 801
    10.5.1 Avaliando a Extensão na Qual um Objeto Pertence a um Grupo - 802
    10.5.2 Impacto dos Elementos Estranhos sobre o Agrupamento Inicial - 804
    10.5.3 O N?mero de Grupos a Usar - 805
    10.5.4 Pontos Fortes e Fracos - 805
    10.6 Notas Bibliográ?cas - 806
    10.7 Exercícios - 813

    A ÁLGEBRA LINEAR - 819
    A.1 Vetores - 819
    A.1.1 De?nição - 819
    A.1.2 Adição de Vetores e Multiplicação por um Escalar - 820
    A.1.3 Espaços de Vetores - 821
    A.1.4 O Produto de Ponto, Ortogonalidade e Projeções Ortogonais - 822
    A.1.5 Vetores e Análise de Dados - 824
    A.2 Matrizes - 826
    A.2.1 Matrizes: De?nições - 826
    A.2.2 Matrizes: Adição e Multiplicação por um Escalar - 827
    A.2.3 Matrizes: Multiplicação - 829
    A.2.4 Transformações Lineares e Matrizes Inversas - 830
    A.2.5 Eigenvalue e Decomposição de Valor Singular - 833
    A.2.6 Matrizes e Análises de Dados - 835
    A.3 Notas Bibliográ?cas - 837

    B REDUÇÃO DA DIMENSIONALIDADE - 839
    B.1 PCA e SVD - 839
    B.1.1 Análise dos Componentes Principais (PCA) - 840
    B.1.2 SVD - 845
    B.2 Outras Técnicas de Redução de Dimensionalidade - 848
    B.2.1 Análise de Fatores - 848
    B.2.2 Locally Linear Embedding (LLE) - 850
    B.2.3 Escala Multidimensional, FastMap e ISOMAP - 852
    B.2.4 Questões Comuns - 856
    B.3 Notas Bibliográ?cas - 857

    C PROBABILIDADE E ESTATÕSTICA - 861
    C.1 Probabilidade - 861
    C.1.1 Valores Esperados - 864
    C.2 Estatística - 866
    C.2.1 Avaliação de Ponto - 866
    C.2.2 Teorema do Limite Central - 867
    C.2.3 Avaliação de Intervalo - 868
    C.3 Teste de Hipóteses - 869

    D REGRESSÃO - 873
    D.1 Preâmbulo - 873
    D.2 Regressão Linear Simples - 874
    D.2.1 Método de Menos Quadrados - 875
    D.2.2 Analisando Erros de Regressão - 878
    D.2.3 Analisando a Qualidade do Ajuste - 880
    D.3 Regressão Liner Multivariável .881
    D.4 Métodos de Regressão Alternativos ao de Menos Quadrados - 882

    E OTIMIZAÇÃO - 885
    E.1 Otimização sem Restrições - 885
    E.1.1 Métodos Numéricos - 889
    E.2 Otimização com Restrições - 892
    E.2.1 Restrições de Igualdade - 893
    E.2.2 Restrições de Desigualdade - 894
    ÍNDICE REMISSIVO - 897

    Informações Técnicas

    Nº de páginas:978
    Origem:Nacional
    Editora:Editora Ciência Moderna
    Idioma:Português
    Edição:1ª Edição
    Ano:2009
    ISBN:9788573937619
    Encadernação:Brochura
    Autor:Pang-Ning Tan, Michael Steinbach, Vipin Kumar
  • Informações

Avaliação técnica sobre o livro

Não encontrou seu produto? Deixe aqui sua Sugestão para novos produtos!

Enviar sugestão

Políticas

Informações

Atendimento

(21) 2262-3111

(21) 2262-3111

Pague com

Visa, mastercard, Diners, Boleto, American Express , VisaElectron, Discover , Elo , Maestro

Segurança e certificados

© 2015 Livraria Ciência Moderna Ltda - Avenida Rio Branco 156 – subsolo 126 – Centro – RJ – Cep:20040-003 | Cnpj :33.412.271/0001-03 | Inscrição Estadual: 85.853.198 *Os preços e condições de pagamento podem ser exclusivos para compras via internet , o que quer dizer que podem variar das lojas físicas. Vendas Sujeitas á analise e confirmação de dados.
VTEXOriginal Media

Olá! Seja Bem Vindo (a)!

Eu sou o Moderninho , o Mascote da Ciência Moderna Online!
Além de bonito, o novo site tem Minhas Dicas :) #ficaadica

A 1ª Dica é -> Deixe aqui seu contato para receber nossas
NOVIDADES, PROMOÇÕES E CUPONS DE DESCONTOS ;)

Navegue SEM Moderação!