数据挖掘书籍推荐

研一下开始打算做数据挖掘，之前只是做做简单的系统，大部分是OA系统，主要是想毕业以后工资客观，工作高大上，加上论文需要，决定学习数据挖掘。

入门读物：

1. 深入浅出数据分析 (豆瓣) 这书挺简单的，基本的内容都涉及了，说得也比较清楚，最后谈到了R是大加分。难易程度：非常易。
2. 啤酒与尿布 (豆瓣) 通过案例来说事情，而且是最经典的例子。难易程度：非常易。
3. 数据之美 (豆瓣) 一本介绍性的书籍，每章都解决一个具体的问题，甚至还有代码，对理解数据分析的应用领域和做法非常有帮助。难易程度：易。
4. 数学之美 (豆瓣) 这本书非常棒啦，入门读起来很不错！

数据分析：

1. SciPy and NumPy (豆瓣) 这本书可以归类为数据分析书吧，因为numpy和scipy真的是非常强大啊。
2. Python for Data Analysis (豆瓣) 作者是Pandas这个包的作者，看过他在Scipy会议上的演讲，实例非常强！
3. Bad Data Handbook (豆瓣) 很好玩的书，作者的角度很不同。

适合入门的教程：

1. 集体智慧编程 (豆瓣) 学习数据分析、数据挖掘、机器学习人员应该仔细阅读的第一本书。作者通过实际例子介绍了机器学习和数据挖掘中的算法，浅显易懂，还有可执行的Python代码。难易程度：中。
2. Machine Learning in Action (豆瓣) 用人话把复杂难懂的机器学习算法解释清楚了，其中有零星的数学公式，但是是以解释清楚为目的的。而且有Python代码，大赞！目前中科院的王斌老师（微博： 王斌_ICTIR）已经翻译这本书了 机器学习实战 (豆瓣)。这本书本身质量就很高，王老师的翻译质量也很高。难易程度：中。我带的研究生入门必看数目之一！
3. Building Machine Learning Systems with Python (豆瓣) 虽然是英文的，但是由于写得很简单，比较理解，又有 Python 代码跟着，辅助理解。
4. 数据挖掘导论 (豆瓣) 最近几年数据挖掘教材中比较好的一本书，被美国诸多大学的数据挖掘课作为教材，没有推荐Jiawei Han老师的那本书，因为个人觉得那本书对于初学者来说不太容易读懂。难易程度：中上。
5. Machine Learning for Hackers (豆瓣) 也是通过实例讲解机器学习算法，用R实现的，可以一边学习机器学习一边学习R。

稍微专业些的：

1. Introduction to Semi-Supervised Learning (豆瓣) 半监督学习必读必看的书。
2. Learning to Rank for Information Retrieval (豆瓣) 微软亚院刘铁岩老师关于LTR的著作，啥都不说了，推荐！
3. Learning to Rank for Information Retrieval and Natural Language Processing (豆瓣) 李航老师关于LTR的书，也是当时他在微软亚院时候的书，可见微软亚院对LTR的研究之深，贡献之大。
4. 推荐系统实践 (豆瓣) 这本书不用说了，研究推荐系统必须要读的书，而且是第一本要读的书。
5. Graphical Models, Exponential Families, and Variational Inference (豆瓣) 这个是Jordan老爷子和他的得意门徒 Martin J Wainwright 在 Foundation of Machine Learning Research上的创刊号，可以免费下载，比较难懂，但是一旦读通了，graphical model的相关内容就可以踏平了。
6. Natural Language Processing with Python (豆瓣) NLP 经典，其实主要是讲 NLTK 这个包，但是啊，NLTK 这个包几乎涵盖了 NLP 的很多内容了啊！

机器学习教材：

1. The Elements of Statistical Learning (豆瓣) 这本书有对应的中文版：统计学习基础 (豆瓣)。书中配有R包，非常赞！可以参照着代码学习算法。
2. 统计学习方法 (豆瓣) 李航老师的扛鼎之作，强烈推荐。难易程度：难。
3. Machine Learning (豆瓣) 去年出版的新书，作者Kevin Murrphy教授是机器学习领域中年少有为的代表。这书是他的集大成之作，写完之后，就去Google了，产学研结合，没有比这个更好的了。
4. Machine Learning (豆瓣) 这书和上面的书不是一本！这书叫：Machine Learning: An Algorithmic Perspective 之前做过我带的研究生教材，由于配有代码，所以理解起来比较容易。
5. Pattern Recognition And Machine Learning (豆瓣) 经典中的经典。
6. Bayesian Reasoning and Machine Learning (豆瓣) 看名字就知道了，彻彻底底的Bayesian学派的书，里面的内容非常多，有一张图将机器学习中设计算法的关系总结了一下，很棒。
7. Probabilistic Graphical Models (豆瓣) 鸿篇巨制，这书谁要是读完了告诉我一声。
8. Convex Optimization (豆瓣) 凸优化中最好的教材，没有之一了。课程也非常棒，Stephen老师拿着纸一步一步推到，图一点一点画，太棒了。

以上内容均是来自于知乎。

补充：

• 《数据挖掘-市场营销、销售与客户关系管理领域应用》链接：数据挖掘技术 (豆瓣)

作者是Data Miners的创办人，有二十多年的营销和客户关系管理结合数据挖掘的经验。详细介绍了作为一个数据挖掘团队需要的知识体系，包括数据库、SAS使用、统计学、机器学习、数据可视化、如何访问用户收集需求、如何写论文与沟通等等。有条件的建议看英文原版。

• 《R in Action-Data Analysis and Graphics with R》链接：R语言实战 (豆瓣)

R是属于GNU系统的一个自由、免费、源代码开放的软件，用于统计计算和统计制图。这本书从实用的统计研究角度逐例分析R在数据处理、模型构建、以及图形操作上的由浅入深的结合，堪称经典。

• 《数据之魅-基于开源工具的数据分析》链接：数据之魅 (豆瓣)

作者是华盛顿大学理论物理学博士。这本书是数据分析的经典之一，包含大量的R语言模拟过程及结果展示，例举了很多数据分析实例和代码。

 

一下来自于百度经验里的

(1) J. Han and M. Kamber, Data Mining: Concepts and Techniques.

  本书从数据库角度看待数据挖掘，强调效率（Efficiency）。按照本书观点，数据挖掘是从存储在数据库、数据仓库或者其他信息库中的大量数据中发现知识的过程。
(2) I.H. Written and E.Frank. Data Mining: Practical Machine Learnings and Techniques.
  本书从机器学习角度看待数据挖掘，强调有效(Effectiveness)。按照这本书的观点，数据挖掘是从数据中提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。
(3) D. Hand, H.Mannila and P. Smith, Principle of Data Mining.

  本书从统计学的角度看待数据挖掘，因为统计学是一门数学，所以本书强调数学上的正确性(Validity)。按照本书观点，数据挖掘是分析（往往是大量的）数据集以找到未曾预料的关系，并以可理解又有用的新颖方式呈现给数据用户的过程。

（4）Pang-Ning Tan, Vipin Kumar etc. Introduction to Data Mining   （http://book.douban.com/subject/1465939/）。

  
    国内目前有翻译版（http://book.douban.com/subject/1786120/），这是我现在觉得最好的数据挖掘教材。关于分类、关联规则、聚类每一主题都分两章来讲述:第一章讲基本部分，第二章讲高级部分，让人由浅入深。另有单独的一章介绍异常检测。本书的第一作者是物理背景出身，所以讲解很重视对于算法的理解（优缺点与适用范围等)。本书能找到PDF版完整的习题答案，非常适合于自学。

 
（5）若要从以上三本书再推荐另一本入门书，我会推荐I.H. Written的那本，这本书第I部分以输入、输出、算法、评估的脉络来讲解数据挖掘；第II部分介绍Weka软件使用。读这本书的好处读了之后马上可以用Weka来实验各种数据挖掘算法。

《Data Mining-Practical Machine Learning Tools and Techniques, Second Edition》，这本书是由新西兰怀卡托大学计算机科学系的Ian H.Witten和Eibe Frank两位专家集多年的研究和教学成果精心撰写而成。这本书展示了自动从数据中提取模型，然后验证这些模型的基本理论。其中第一部分解释了各种模型（决策树、关联规则、线性模型、聚类、贝叶斯网以及神经网）及其如何在实践中运用它们。主要包括各种方法的实施步骤、所存在的缺陷以及如何评估模型的预测质量。本书的第二部分引导读者学习并使用作者们在网站上提供的开源数据挖掘平台Weka（Waikato Environment for Knowledge Analysis）,它的源代码可以通过网址http://www.cs.waikato.ac.nz/ml/weka/得到。Weka几乎完全实现了书中介绍的所有技术，包括机器学习方法的说明性代码和实现技术。深入研究Weka源代码可以更加清晰地理解算法的实现原理和实现逻辑。Weka提供了一个工作平台，完整、实用、高水准地实现了许多流行的学习方案，这些方案能够直接运用于实际的数据挖掘或研究领域。最后它提供了一个Java类库形式的框架，这个框架支持嵌入式机器学习的应用，乃至新的学习方案的实现。总之，Weka系统本身是一个有用并深受欢迎的工具，同时又是对本书的一个绝佳补充

 

 （6）David Hand的《数据挖掘原理》(http://book.douban.com/subject/1103515/)，本书作者是一名统计学家，所以里面会涉及到数据挖掘相对于统计的独特之处的内容，非常有价值；另外，本书以约化主义的观点来看待数据挖掘算法，认为有了数据集与明确的数据挖掘任务，数据挖掘算法可以看成是{模型结构、评分函数、搜索方法、数据管理技术}的四元组，然后逐一来讲解每一数据挖掘算法组件，让人觉得清楚明了。本书的第二章“测量与数据”也是很有价值的，因为我们虽然通过数据来做推断，但是数据是通过测量理论与事实(Reality)相联系的。

 

（7）最不怎么推荐的是《数据挖掘：概念与技术》从书的内容看，这本书将数据挖掘看成是数据库技术的自然演化，所以第2章讲的是数据仓库与OLAP，但是这部分内容对于怎样建数据仓库其实没有太大的帮助。数据挖掘作为一门交叉学科，一般认为其最重要的三门学科基础是机器学习、统计学与数据库技术。但是个人认为随着大数据时代的来临，传统数据库技术所起的作用在减弱，因为很多进行的数据挖掘的数据根本不会先被放到数据库中，而是直接通过文件来存储。本书的第二版中虽然增加了时间序列挖掘、图挖掘、社交网络分析、多媒体挖掘等新的内容，但这只是增加了广度，而没有让我们对数据挖掘的核心部分有更深的理解。

 

 

 

 

 

数据挖掘十大算法

基于Clementine的数据挖掘