Recenzie čitateľov
Zhrnutie:Kniha má zmiešané hodnotenia, chváli sa za teoretické pokrytie a organizáciu, ale kritizuje sa za nedostatok praktických príkladov a praktických pokynov na implementáciu techník dolovania údajov. Niektorí čitatelia ju považovali za náročnú kvôli jej abstraktnému matematickému obsahu, zatiaľ čo iní ocenili komplexný prehľad, ktorý poskytuje.
Výhody:⬤ Poskytuje solídny teoretický základ v oblasti dolovania údajov.
⬤ Dobre organizovaná štruktúra s jasným vysvetlením štatistických pojmov.
⬤ Pokrýva širokú škálu algoritmov a metód dolovania údajov vrátane moderných prístupov.
⬤ Skvelé pre tých, ktorí majú dobré štatistické základy a hľadajú hĺbku.
⬤ Obsahuje cenné návrhy na ďalšie čítanie na konci každej kapitoly.
Nevýhody:⬤ Chýbajú praktické príklady a konkrétne aplikácie, čo sťažuje implementáciu.
⬤ Abstraktný matematický obsah môže byť náročný pre čitateľov bez silného štatistického zázemia.
⬤ Niektorí recenzenti ju považovali za zavádzajúcu na základe jej názvu, keď tvrdili, že sa zameriava viac na štatistiku ako na techniky dolovania údajov.
⬤ Absencia cvičení na posilnenie učiva.
(na základe 15 čitateľských recenzií)
Pôvodný názov:
Principles of Data Mining
Obsah knihy:
Prvý skutočne interdisciplinárny text o dolovaní údajov, ktorý spája príspevky informačnej vedy, informatiky a štatistiky.
Rastúci záujem o dolovanie údajov je motivovaný spoločným problémom naprieč disciplínami: ako ukladať, sprístupňovať, modelovať a nakoniec popisovať a chápať veľmi veľké súbory údajov? V minulosti sa rôzne aspekty dolovania údajov riešili nezávisle od seba v rôznych disciplínach. Toto je prvý skutočne interdisciplinárny text o dolovaní údajov, ktorý spája príspevky informačnej vedy, informatiky a štatistiky.
Kniha sa skladá z troch častí. Prvá, základy, poskytuje výukový prehľad princípov, na ktorých sú založené algoritmy dolovania údajov, a ich aplikácií. V prezentácii sa kladie dôraz skôr na intuíciu ako na rigoróznosť. Druhá časť, algoritmy dolovania údajov, ukazuje, ako sú algoritmy konštruované na riešenie konkrétnych problémov principiálnym spôsobom. Medzi zahrnuté algoritmy patria stromy a pravidlá na klasifikáciu a regresiu, asociačné pravidlá, siete viery, klasické štatistické modely, nelineárne modely, ako sú neurónové siete, a lokálne modely založené na „pamäti“. Tretia časť ukazuje, ako všetky predchádzajúce analýzy zapadajú do seba pri aplikácii na reálne problémy dolovania údajov. Medzi témy patrí úloha metadát, spôsob spracovania chýbajúcich údajov a predbežné spracovanie údajov.
