具体描述
本书是数据挖掘领域的经典著作，数年来畅销不衰。全书从技术和应用两个方面，全面、系统地介绍了数据挖掘的商业环境、数据挖掘技术及其在商业环境中的应用。自从1997年本书第1版出版以来，数据挖掘界发生了巨大的变化，其中的大部分核心算法仍然保持不变，但是算法嵌入的软件、应用算法的数据库以及用于解决的商业问题都有所演进。第2版展示如何利用基本的数据挖掘方法和技术，解决常见的商业问题。
本书涵盖核心的数据挖掘技术，包括：决策树、神经网络、协同过滤、关联规则、链接分析、聚类和生存分析等。此外，还提供了数据挖掘最佳实践、数据挖掘的最新进展和一些富有挑战性的研究课题，极具技术深度与广度。配套网站www．data-miners．com／companion提供了每章的练习和用于测试各种数据挖掘技术的数据。全书语句凝炼、清新，对复杂概念的实际应用进行了生动解释，是必不可少的数据挖掘教材。
作者简介
Michael J.A.Berry，他们是专业的数据挖掘咨询公司Data Miners的创办人。他们合作出版了一些经典的数据挖掘著作，包括Data Mining Techniquee,Mastering Data Mining和Mining the Web（均由Wiley公司出版）。作为数据挖掘顾问，他们一起为北美洲、欧洲和亚洲的许多大公司提供专业咨询，把客户数据、呼叫数据、网络日志条目、销售点记录和账单文件变成有用的信息，用于改善客户体验。他们都有近20年在营销和客户关系管理方面应用数据挖掘技术的经验。
目录信息
专家指导委员
译者序
致谢
前言
第1章 数据挖掘的缘起和内容
1.1 分析客户关系管理系统
1.2 什么是数据挖掘
1.3 数据挖掘可以完成哪些工作
1.4 为什么现在研究
1.5 目前如何使用数据挖掘
1.6 小结
第2章 数据挖掘的良性循环
2.1 商业数据挖掘案例研究
2.2 何谓良性循环
2.3 良性循环环境下的数据挖掘
2.4 移动通信公司建立恰当的联系
2.5 神经网络和决策树驱动SUV的销售
2.6 小结
第3章 数据挖掘方法论和最佳实践
3.1 为什么需要方法论
3.2 假设测试
3.3 模型、建立简档和预测
3.4 方法论
3.5 小结
第4章 数据挖掘在市场营销和客户关系管理中的应用
……
第5章 统计学的魅力：数据挖掘常用的工具
第6章 决策树
第7章 人工神经网络
第8章 最近邻方法：基于存储的推理和协同过滤
第9章 购物篮分析和关联规则
第10章 链接分析
第11章 自动聚类探测
第12章 市场营销中的风险函数和生存分析
第13章 遗传算法
第14章 数据挖掘贯穿客户生存周期
第15章 数据仓库、OLAP和数据挖掘
第16章 构造数据挖掘环境
第17章 为挖掘准备数据
第18章 应用数据挖掘
· · · · · · (收起)
读后感
这本书是机械工业出版社的“计算机科学丛书”系列的，总体上翻译的不错，很通顺。 内容上，围绕着市场营销、销售MARKETING与客户关系管理CRM的内容，比较紧凑。 方法上围绕着DM的经典算法进行介绍。介绍的时候偏重于对方法的特点，对应解决问题的实例，方法运行的结果的展示。...
这本书是机械工业出版社的“计算机科学丛书”系列的，总体上翻译的不错，很通顺。 内容上，围绕着市场营销、销售MARKETING与客户关系管理CRM的内容，比较紧凑。 方法上围绕着DM的经典算法进行介绍。介绍的时候偏重于对方法的特点，对应解决问题的实例，方法运行的结果的展示。...
这本书是机械工业出版社的“计算机科学丛书”系列的，总体上翻译的不错，很通顺。 内容上，围绕着市场营销、销售MARKETING与客户关系管理CRM的内容，比较紧凑。 方法上围绕着DM的经典算法进行介绍。介绍的时候偏重于对方法的特点，对应解决问题的实例，方法运行的结果的展示。...
这本书是机械工业出版社的“计算机科学丛书”系列的，总体上翻译的不错，很通顺。 内容上，围绕着市场营销、销售MARKETING与客户关系管理CRM的内容，比较紧凑。 方法上围绕着DM的经典算法进行介绍。介绍的时候偏重于对方法的特点，对应解决问题的实例，方法运行的结果的展示。...
这本书是机械工业出版社的“计算机科学丛书”系列的，总体上翻译的不错，很通顺。 内容上，围绕着市场营销、销售MARKETING与客户关系管理CRM的内容，比较紧凑。 方法上围绕着DM的经典算法进行介绍。介绍的时候偏重于对方法的特点，对应解决问题的实例，方法运行的结果的展示。...
用户评价
我原本对《数据挖掘技术》这本书的期望不高，毕竟市面上这类书籍汗牛充栋，大多千篇一律，要么过于理论化，要么过于浅显。然而，当我翻开这本书后，便被其独特的视角和深刻的见解所吸引。作者并没有将数据挖掘仅仅视为一种技术手段，而是将其置于一个更广阔的商业和决策框架下进行阐述。他对数据采集、清洗、探索性分析（EDA）的讲解，都充满了实战经验。尤其是在EDA部分，作者强调的不仅仅是可视化工具的使用，更是如何通过可视化来发现数据中的模式、趋势和异常，并形成有价值的假设。他举例说明了如何通过散点图、箱线图等工具来洞察变量之间的关系，如何通过聚类分析来发现隐藏的用户群体，这些内容对于我这样刚开始接触数据分析的人来说，非常有指导意义。此外，书中对机器学习算法的介绍，也并非简单罗列，而是着重讲解了不同算法的适用场景、优缺点以及背后的核心思想。比如，在介绍决策树时，作者清晰地解释了它是如何通过一系列的“是/否”判断来做出预测的，这比我之前理解的要透彻得多。这本书让我觉得，数据挖掘并非高不可攀的技术，而是可以转化为解决实际问题的强大武器。
尽管书名是《数据挖掘技术》，但这本书的吸引力远不止于此，它更像是一部关于如何与数据“对话”的指南。作者在书中对于数据质量的重要性进行了深入的探讨，并提出了许多行之有效的建议。他认为，再复杂的算法也无法弥补糟糕的数据质量，因此，数据清洗和预处理是数据挖掘过程中至关重要的一步。我特别喜欢书中关于异常检测的讨论，它提供了一些统计学和机器学习的方法来识别数据中的“离群点”，并进一步分析其成因。这对于金融反欺诈、网络安全等领域尤为重要。此外，书中还涵盖了一些关于数据可视化和解释性分析的内容，作者强调了如何将复杂的分析结果以直观易懂的方式呈现给非技术人员，从而促进跨部门的沟通和协作。这种对实践落地能力的关注，让我觉得这本书非常接地气。读完这本书，我感觉自己不再仅仅是停留在技术的层面，而是能够更深入地理解数据背后的业务逻辑，以及如何通过数据分析来驱动业务的创新和发展。
说实话，我对《数据挖掘技术》这本书的最初印象，来自于一位业内资深人士的推荐。他告诉我，这本书在理论的严谨性和实践的可操作性之间找到了一个很好的平衡点。读过之后，我深以为然。书中对于数据挖掘流程的梳理非常清晰，从问题的定义，到数据的准备，再到模型的选择、训练、评估，最后到部署和监控，每一个环节都进行了详细的说明，并且强调了在不同阶段可能遇到的挑战和相应的解决方案。我特别欣赏作者在模型评估方面所花费的篇幅，他详细介绍了准确率、召回率、F1分数、AUC等多种评估指标，并解释了它们各自的含义以及在不同场景下的适用性。这对于避免模型选择的盲目性，以及对模型性能有客观的认识至关重要。书中还讨论了一些关于模型可解释性的问题，这一点在实际应用中非常重要，因为我们需要理解模型为什么会做出某个预测，才能建立对模型的信任。总而言之，这本书提供了一个系统性的学习框架，让我能够从全局视角理解数据挖掘的过程，而不是零散地学习各种技术。
最近偶然翻到一本名字叫做《数据挖掘技术》的书，虽然书名听起来颇为专业，但实际内容却给我带来了不少惊喜。起初，我以为这是一本纯粹的算法堆砌，枯燥乏味的教科书，但读下来才发现，它更像是一堂深入浅出的数据科学入门课。作者并没有直接抛出复杂的公式和模型，而是从数据本身的价值入手，娓娓道来数据在现代社会中的重要性，以及如何从中提炼出有意义的信息。其中关于数据预处理的章节，简直是我的福音。我一直觉得数据清理是一项既耗时又容易出错的工作，但这本书提供了一些非常实用的技巧和思路，比如如何识别异常值、缺失值，以及如何进行特征工程，让原本杂乱无章的数据变得井井有条。更令我印象深刻的是，作者并没有止步于理论层面，而是结合了大量的案例分析，让我们能够直观地理解各种数据挖掘技术的应用场景，从市场营销的精准定位，到金融领域的风险控制，再到医疗健康的数据分析，都讲得鞭辟入里。读完这部分，我仿佛打开了新世界的大门，对数据背后的逻辑有了更清晰的认识，也对未来如何利用数据解决实际问题充满了信心。
阅读《数据挖掘技术》的过程，对我而言更像是一次思维的启迪。作者在书中反复强调“数据驱动的决策”，并将这一理念贯穿始终。他并非仅仅介绍如何运用算法，而是更侧重于如何从业务需求出发，找到合适的数据挖掘方法来解决实际问题。书中关于用户画像和推荐系统的章节，给我留下了深刻的印象。作者详细阐述了如何通过分析用户的行为数据，构建出多维度的用户画像，从而实现更精准的营销和个性化推荐。他不仅仅列举了常用的算法，比如协同过滤、基于内容的推荐等，更重要的是，他分析了这些算法背后的逻辑，以及如何根据不同的业务场景进行选择和优化。例如，在讨论冷启动问题时，作者提供了一些创新的解决方案，让我耳目一新。这本书让我明白，数据挖掘并非孤立的技术，而是需要与业务紧密结合，才能真正发挥其价值。它教会我如何用数据的视角去思考问题，如何从海量数据中发现商机，如何将技术转化为实实在在的业务增长。
曾一度做这行，想一直做下去。
未读完
不理解，很深奥、
很全面，包括概念、技术、案例的全系列介绍，是一本从浅到深的重要读物。不过主要案例实践聚焦在客户层面
未读完
