دانش نوين داده كاوي از جمله دانش هاي در حال توسعه اي است كه در سالهاي اخير در تمامي عرصه ها جايگاه خود را تثبيت كرده است به گونه اي كه رشد آن در مقايسه با ساير دانش هاي برتر بسيار فزاينده است. امروزه، اين دانش در كشورهاي آمريكاي شمالي كاملاً شناخته شده و فراگير است و در كشورهاي اروپايي نيز در حال توسعه اي است كه در سال هاي اخير در تمامي عرصع عل جايگاه خود را تثبيت كرده است به گونه اي كه رشد آن در مقايسه با ساير دانش هاي برتر بسيار فزاينده است. امروزه، اين دانش در كشورهاي آمريكاي شمالي كاملاً شناخته شده و فراگير است و در كشورهاي اروپايي نيز در حال توسعه مي باشد.

كتاب حاضر در هشت فصل مباحث مقدمه، داده، مفاهيم يادگيري، دسته بندي و رگرسيون، استخراج خصيصه و روش هاي انتخاب آن، يادگيري هدايت نشده: خوشه بندي، يادگيري  هدايت نشده: قوانين وابستگي، يادگيري هدايت شده: درخت هاي تصميم و يادگيري هدايت شده: ماشين هاي بردار پشتيباني را مطرح مي كند.

اين كتاب براي علاقه مندان مطالعه پيشرفته تر دانش داده كاوي به ويژه دانشجويان تحصيلات تكميلي رشته هاي مهندسي صنايع، مهندسي كامپيوتر و رياضي تدوين شده است.

كتاب «داده كاوي پيشرفته مفاهيم و الگوريتم ها» در 454 صفحه و به قيمت 75 هزار ريال به چاپ رسيده است.

فصل اول : مقدمه........................................................................................ 1

1- داده كاوي چيست؟...................................................................................... 1

2- چگونه داده كاوي از ديگر رويكردها متمايز مي شود؟............................................ 6

3- خلاصه....................................................................................................... 8

فصل دوم: داده............................................................................................ 9

1- مقدمه....................................................................................................... 9

2- صفات، مجموعه هاي داده و ذخيره سازي داده ها.............................................. 10

3-مباحث مرتبط با مقدار و كيفيت داده................................................................. 32

4- خلاصه....................................................................................................... 47

فصل سوم: مفاهيم يادگيري، دسته بندي و رگرسيون.................................... 49

1- توضيحات مقدماتي...................................................................................... 49

2- دسته بندي................................................................................................ 60

3- خلاصه....................................................................................................... 78

فصل چهارم: استخراج خصيصه و روش هاي انتخاب آن.................................. 81

1- مقدمه....................................................................................................... 81

2- استخراج خصيصه......................................................................................... 82

3- انتخاب خصيصه........................................................................................... 227

4- خلاصه....................................................................................................... 269

فصل پنجم: يادگيري هدايت نشده: خوشه بندي............................................. 271

1- داده ها و خوشه ها...................................................................................... 271

2- طبقه بندي الگوريتم خوشه بندي................................................................... 273

3- اندازه گيري تشابه....................................................................................... 274

4- خوشه بندي سلسله مراتبي......................................................................... 277

5- خوشه بندي مبتني بر تابع هدف.................................................................... 283

6- خوشه بندي مبتني بر شبكه......................................................................... 298

7- نگاشت هاي خودسازمانده............................................................................ 301

8- خوشه بندي و كمي سازي برداري.................................................................. 311

9- اعتبار خوشه.............................................................................................. 312

10- نمونه گيري تصادفي و خوشه بندي به عنوان مكانيزمي براي مديريت مجموعه هاي

داده بزرگ....................................................................................................... 319

11- خلاصه..................................................................................................... 322

فصل ششم: يادگير هدايت نشده: قوانين وابستگي....................................... 323

1- مقدمه....................................................................................................... 323

2- قوانين وابستگي و داده هاي تراكنشي............................................................ 325

3- استخراج قوانين وابستگي بولي يك بعدي و تك سطحي...................................... 335

4-استخراج انواع ديگري از قوانين وابستگي........................................................... 347

5- خلاصه....................................................................................................... 352

فصل هفتم: يادگيري هدايت شده : درخت هاي تصميم، الگوريتم هاي

يادگيرنده قانون و هيبريدهاي آنها........................................................................ 355

1- يادگيري ماشين استقرايي چيست؟................................................................ 356

2- درخت هاي تصميم...................................................................................... 370

3- الگوريتم هاي يادگيرنده قانون......................................................................... 381

4- الگوريتم هاي هيبريد.................................................................................... 394

5- خلاصه....................................................................................................... 428

فصل هشتم: يادگيري هدايت شده: ماشين هاي بردار پشتيباني.................... 429

1- مقدمه....................................................................................................... 430

2- دسته بندي كننده بردار پشتيباني.................................................................. 430

3- رگرسور بردار پشتيباني................................................................................ 449

4- استفاده از SVM ها – يك رويكرد مبتني بر فرآيند................................................ 451

5- ماشين هاي بردار پشتيباني و شبكه هاي عصبي............................................. 455

6- نقاط ضعف ماشين هاي بردار پشتيباني.......................................................... 456

7- خلاصه....................................................................................................... 457

فهرست منابع..................................................................................................... 459