DataminingGuideBook-Codes
目录
第一章：简介
讲述什么是数据挖掘，它所能解决的问题的是什么，以及在阅读完本书后，你可以做些什么。
第二章：推荐系统入门
介绍协同过滤，基本的距离算法，包括曼哈顿距离、欧几里得距离、闵科夫斯基距离、皮尔森相关系数。使用Python实现一个基本的推荐算法。
第三章：隐式评价和基于物品的过滤算法
这章开始讨论可供选择的用户评价体系。用户能够显示地給于评价（好、差、五星评价等），或者隐式地給于评价——如果用户在亚马逊购买了一个MP3，我们则认为他是“喜欢”这件商品的。
第四章：分类
上一章中我们使用用户对商品的评价来进行推荐，这一章我们会使用商品本身的特性来进行推荐。这种算法在潘多拉等网站中采用。
第五章：进一步探索分类
本章会讨论如何评价分类器的效果，方法包括十折交叉验证、留一法、以及Kappa检验等，同时还会引入kNN算法。
第六章：朴素贝叶斯
我们会在这章探索朴素贝叶斯分类算法，使用概率密度函数来处理数值型数据。
第七章：朴素贝叶斯算法和非结构化文本
这一章我们会尝试使用朴素贝叶斯算法来对非结构化文本进行分类。我们是否能够判断出Twitter上的一片影评是正面评价还是负面的呢？
第八章：聚类
我们会讨论层次聚类和kmeans聚类。