۱٫ Introduction to Data Mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
۱٫۱ The Data Explosion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
۱٫۲ Knowledge Discovery. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
۱٫۳ Applications of Data Mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
۱٫۴ Labelled and Unlabelled Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
۱٫۵ Supervised Learning: Classification . . . . . . . . . . . . . . . . . . . . . . . . . 5
۱٫۶ Supervised Learning: Numerical Prediction . . . . . . . . . . . . . . . . . 7
۱٫۷ Unsupervised Learning: Association Rules . . . . . . . . . . . . . . . . . . 7
۱٫۸ Unsupervised Learning: Clustering . . . . . . . . . . . . . . . . . . . . . . . . . 8
۲٫ Data for Data Mining . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
۲٫۱ Standard Formulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
۲٫۲ Types of Variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
۲٫۲٫۱ Categorical and Continuous Attributes . . . . . . . . . . . . . . 12
۲٫۳ Data Preparation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
۲٫۳٫۱ Data Cleaning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
۲٫۴ Missing Values . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
۲٫۴٫۱ Discard Instances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
۲٫۴٫۲ Replace by Most Frequent/Average Value . . . . . . . . . . . . 15
۲٫۵ Reducing the Number of Attributes . . . . . . . . . . . . . . . . . . . . . . . . 16
۲٫۶ The UCI Repository of Datasets . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
۲٫۷ Chapter Summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
۲٫۸ Self-assessment Exercises for Chapter 2 . . . . . . . . . . . . . . . . . . . . . 18
Reference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
۲۲٫ Classifying Streaming Data II: Time-Dependent Data . . . . . . 379
۲۲٫۱ Stationary versus Time-dependent Data . . . . . . . . . . . . . . . . . . . . 379
۲۲٫۲ Summary of the H-Tree Algorithm. . . . . . . . . . . . . . . . . . . . . . . . . 381
۲۲٫۲٫۱ Array currentAtts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 382
۲۲٫۲٫۲ Array splitAtt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 383
۲۲٫۲٫۳ Array hitcount . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 383
۲۲٫۲٫۴ Array classtotals . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 383
۲۲٫۲٫۵ Array acvCounts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 384
۲۲٫۲٫۶ Array branch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 384
۲۲٫۲٫۷ Pseudocode for the H-Tree Algorithm . . . . . . . . . . . . . . . 384
۲۲٫۳ From H-Tree to CDH-Tree: Overview . . . . . . . . . . . . . . . . . . . . . . 387
۲۲٫۴ From H-Tree to CDH-Tree: Incrementing Counts . . . . . . . . . . . . 387
۲۲٫۵ The Sliding Window Method . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 388
۲۲٫۶ Resplitting at Nodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 393
۲۲٫۷ Identifying Suspect Nodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 394
۲۲٫۸ Creating Alternate Nodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 396
۲۲٫۹ Growing/Forgetting an Alternate Node and its Descendants . . . 400
قوانین ارسال دیدگاه