（第3版）》
题图 | 作者为 Scott Ullman
《斯坦福数据挖掘教程（第3版）》上架之后，这是我们第⼀次整篇⽂章介绍这本书。
这本书相当受欢迎（前两个版本累计销量超过 5 万册），尤其是受学校青睐——在此也说声抱歉，出于出版时间的原因，很多学校依然采⽤了旧版作为教材；同时也请知悉，新版已上架，正在使⽤这本书作为教材的学校可以考虑更新了。
实际上，这本书已经在⼤家⾯前出过 2 次镜了，⼀次是 2020 年图灵奖公布的次⽇图灵君⽤⼀篇⽂章讲了讲图灵奖得主之⼀ Jeffrey Ullman 和这本书「不⼀样的」故事；⼀次是 423 活动那次，这本书在没有赶上⼤促优惠的情况下进⼊了新书畅销榜单。小诺霉素
除了是⼀本畅销多年的世界名校数据挖掘⼊门经典书，《斯坦福数据挖掘教程（第3版）》之于 Jeffrey Ullman 和弟⼦ Anand Rajaraman 还有特别的意义。那就是这本书原本只是作为开源电⼦版出版的，后来才有了纸质书的诞⽣，个中原因⼤家可以在⽂末链接阅读相关⽂章。
好了，回到这本书，我们继续说说它的缘起。本书源于Ullman 及弟⼦ Rajaraman 在斯坦福⼤学教授多年的⼀门季度课程——「多年」真的不是随便叫叫的，我去这本书的⽹站上看了看，斯坦福⼤学开设这门课程，最早可以追溯到 2000 年，着实佩服。
课程名为“Web 挖掘”（编号 CS345A），原本是为⾼年级研究⽣设计的，没成想⾼年级本科⽣也⾮常感兴趣，于是现在就成为本科⽣和研究⽣兼修的⼀门课程。Jure Leskovec 到斯坦福⼤学任职后，共同对相关材料进⾏了重新组织。他开设了⼀门有关⽹络分析的新课程
CS224W， 并为 CS345A 增加了⼀些内容，重新编号为 CS246。三位作者还开设了⼀门⼤规模数据挖掘的项⽬课程 CS341。⽬前本书包含了以上三门课程的所有教学内容。 图书核⼼特⾊
这本书核⼼的特⾊是：它是⼀本数据挖掘领域全景路线图式的⼊门参考技术书，下⾯解释⼀下关键词。
1.全景路线图
⼀⽅⾯可以让你了解数据挖掘这个⼤领域下的各个⼩领域；
另⼀⽅⾯让你可以纵览整个数据构建模型的过程，这个过程中你会遇到什么问题，尤其是从普通规模数据到极⼤规模数据发⽣了哪些状况，你的解决⽅案是如何转换的。
2.⼊门
跟上⾯⼀条紧密关联。普通书⼊门从简单操作开始，⼀步步来，读者见树⽊⽽不见森林，好书⼊门从全景图开始，教读者抓核⼼内容，对整个领域了然于胸之后深⼊⾃⼰感兴趣的关键点。⽽这本书介绍的正是⾼⼿⼊门之道，书中并没有每个细分领域的详细讲解，但是为你展⽰了最新的参考论⽂和进阶资料，⽅便你进⼀步探索。
3.技术
虽然有概念，但并⾮聚焦于概念，⽽是教你怎么⽤，可直接应⽤于实际的⼤规模数据挖掘⼯作——海量 Web 数据是⽬前⼤数据挖掘⼯作的核⼼，数据分析师、数据科学家、机器学习专家都不可错过。
接下来让我们来详细看看书中的内容。根本违约
第五种快乐图书核⼼内容
办公室里的速度与激情本书是关于数据挖掘的，但是主要关注极⼤规模数据的挖掘。“极⼤规模”的意思是，这些数据⼤到⽆法在内存中存放。因为本书重点强调数据的规模，所以例⼦⼤多来⾃ Web 本⾝或者 Web 上导出的数据。另外，本书从算法的⾓度来看待数据挖掘，即数据挖掘是将算法 应⽤于数据，⽽不是使⽤数据来“训练”某种类型的机器学习引擎。
本书的主要内容包括：图灵奖
(1) 分布式⽂件系统和 MapReduce，其中后者⽤于创建在极⼤规模数据集上成功应⽤的并⾏算法；核磁共振成像
(2) 相似性搜索，包括最⼩哈希和局部敏感哈希的关键技术；
(3) 数据流处理以及针对快速到达、须⽴即处理且易丢失的数据的专⽤算法；
(4) 搜索引擎技术，包括⾕歌的 PageRank、链接作弊检测以及计算⽹页导航度（hub）和权威度（authority）的 HITS ⽅法；
(5) 频繁项集挖掘，包括关联规则、购物篮分析、A-Priori 算法及其改进；
(6) 极⼤规模⾼维数据集的聚类算法；
(7) Web 应⽤中的两个关键问题——⼴告管理和推荐系统；
(8) 对极⼤规模的图（特别是社会⽹络图）的结构进⾏分析和挖掘的算法；
(9) 通过降维来获得⼤规模数据集的重要性质的技术，包括 SVD 和隐性语义索引；
(10) 可以应⽤于极⼤规模数据的机器学习算法，包括感知机、⽀持向量机、梯度下降法、决策树和神经⽹络；
(11) 神经⽹络与深度学习，包括最重要的⼏个特例——卷积神经⽹络（CNN）、循环神经⽹络（RNN）和长短期记忆⽹络（LSTM）。⽤思维导图展⽰⼀下图书的内容。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议