前　　言
隨著大數(shù)據(jù)、人工智能技術(shù)的快速發(fā)展，各行各業(yè)積累的數(shù)據(jù)越來越豐富，數(shù)據(jù)挖掘的需求越來越大。本書針對(duì)實(shí)際數(shù)據(jù)及數(shù)據(jù)挖掘任務(wù)需求，提供數(shù)據(jù)預(yù)處理、特征選擇、數(shù)據(jù)可視化、算法運(yùn)用等方面的數(shù)據(jù)挖掘模型的原理與實(shí)現(xiàn)代碼，為運(yùn)用數(shù)據(jù)挖掘提供可參考的
方法。
筆者近年來一直從事數(shù)據(jù)挖掘方向的研究和數(shù)據(jù)挖掘課程的教學(xué)，長期指導(dǎo)學(xué)生參加數(shù)模競賽、天池大數(shù)據(jù)競賽、DataCastle大數(shù)據(jù)競賽、Kaggle競賽等高水平數(shù)據(jù)挖掘競賽，并取得了優(yōu)異成績。同時(shí)，積極探索以數(shù)據(jù)挖掘技術(shù)為主線構(gòu)建課堂教學(xué)與實(shí)踐教學(xué)相融合的課程體系，總結(jié)了一套數(shù)據(jù)挖掘?qū)嵺`案例及參考代碼，適合用于理工科相關(guān)專業(yè)的本科生與研究生的數(shù)據(jù)挖掘?qū)嶒?yàn)課程，也可供相關(guān)領(lǐng)域的科研與工程技術(shù)人員實(shí)踐參考。
本書的組織結(jié)構(gòu)如下：
第1章首先簡述了數(shù)據(jù)挖掘的定義和分類，隨后闡述了數(shù)據(jù)挖掘?qū)嵺`過程中的Python安裝及環(huán)境配置方法并簡單介紹了與本書中數(shù)據(jù)挖掘?qū)嵺`任務(wù)相關(guān)的數(shù)據(jù)集，讓讀者掌握如何安裝實(shí)驗(yàn)環(huán)境，了解數(shù)據(jù)挖掘中的常用數(shù)據(jù)集。
第2章以貝葉斯分類為案例，闡述了分類的概念和實(shí)踐全流程，包括數(shù)據(jù)集的劃分、模型的運(yùn)用和模型的評(píng)價(jià)，讓讀者能夠針對(duì)具體數(shù)據(jù)，運(yùn)用分類算法來完成數(shù)據(jù)分類過程。
第3章闡述了特征選擇的實(shí)踐方法，讓讀者掌握通過直方圖與柱狀圖方法來完成數(shù)據(jù)的特征選擇。
第4章闡述了數(shù)據(jù)清洗的實(shí)踐方法，讓讀者掌握缺失值填充的方法，知道如何通過正態(tài)分布與箱線圖方法發(fā)現(xiàn)數(shù)據(jù)離群點(diǎn)。最后，以“測測你的一見鐘情指數(shù)”作為實(shí)踐案例，詳細(xì)闡述了數(shù)據(jù)清洗的實(shí)踐過程。
第5章闡述了數(shù)據(jù)轉(zhuǎn)換的實(shí)踐方法，讓讀者掌握通過二進(jìn)制編碼方法將離散型數(shù)據(jù)數(shù)值化的方法，并掌握最小–最大規(guī)范化和z分?jǐn)?shù)規(guī)范化、小數(shù)定標(biāo)規(guī)范化的方法。
第6章闡述了數(shù)據(jù)降維的實(shí)踐方法，讓讀者掌握通過散點(diǎn)圖方法來分析數(shù)據(jù)相關(guān)性的技巧，并能夠靈活運(yùn)用主成分分析法。
第7章闡述了不平衡數(shù)據(jù)分類的實(shí)踐方法，讓讀者掌握上采樣與下采樣的實(shí)際運(yùn)用，通過“員工離職問題”實(shí)踐案例，詳細(xì)介紹了不平衡數(shù)據(jù)分類的實(shí)踐過程。
第8章闡述了回歸分析的實(shí)踐方法，讓讀者掌握多元線性回歸預(yù)測的實(shí)際運(yùn)用，通過“PM2.5空氣質(zhì)量預(yù)測”實(shí)踐案例，詳細(xì)介紹了回歸預(yù)測的實(shí)踐過程。
第9章闡述了常見聚類算法的實(shí)際應(yīng)用，使讀者能夠靈活應(yīng)用k均值法、層次聚類法、密度聚類法。通過鳶尾花數(shù)據(jù)實(shí)踐案例，詳細(xì)介紹了密度聚類的實(shí)踐過程。
第10章闡述了Apriori算法的實(shí)踐方法，讓讀者掌握該算法的實(shí)現(xiàn)過程。通過“棒球運(yùn)動(dòng)產(chǎn)品推薦”實(shí)踐案例，詳細(xì)介紹了該算法的實(shí)踐過程。
第11章闡述了KNN分類的實(shí)踐方法，通過“鳶尾花分類”“相似電影推薦”兩個(gè)實(shí)踐案例，詳細(xì)介紹了該算法的實(shí)踐過程。
第12章闡述了支持向量機(jī)分類的實(shí)踐方法，通過“鳶尾花數(shù)據(jù)分類”“新聞文本數(shù)據(jù)分類”兩個(gè)實(shí)踐案例，詳細(xì)介紹了該算法的實(shí)踐過程。
第13章闡述了神經(jīng)網(wǎng)絡(luò)分類的實(shí)踐方法，通過“新聞文本分類”實(shí)踐案例，詳細(xì)介紹了該算法的實(shí)踐過程。
第14章闡述了常見的集成學(xué)習(xí)算法的實(shí)踐，讓讀者掌握Bagging、隨機(jī)森林、Adaboost、GBDT、XGBoost的實(shí)際應(yīng)用。通過“房價(jià)預(yù)測”“點(diǎn)擊欺騙預(yù)測”實(shí)踐案例，詳細(xì)介紹了集成算法的實(shí)踐過程。
第15章給出了各算法的綜合運(yùn)用案例，主要包括員工離職預(yù)測、二手車交易價(jià)格預(yù)測、信息抽取、學(xué)術(shù)網(wǎng)絡(luò)節(jié)點(diǎn)分類四個(gè)綜合案例。
本書在總結(jié)數(shù)據(jù)挖掘?qū)嵺`的基礎(chǔ)上，在中國大學(xué)MOOC上開設(shè)了“數(shù)據(jù)挖掘”MOOC課程（https://www.icourse163.org/course/NUDT-1461782176），并在頭歌平臺(tái)上開設(shè)了“數(shù)據(jù)挖掘”實(shí)驗(yàn)課程（https://www.educoder.net/paths/4153），讀者可通過在線視頻課程的學(xué)習(xí)、作業(yè)訓(xùn)練與編程實(shí)踐加深對(duì)數(shù)據(jù)挖掘知識(shí)點(diǎn)的理解，提高運(yùn)用能力。
數(shù)據(jù)挖掘是一個(gè)快速發(fā)展的領(lǐng)域，加之本書編寫時(shí)間短，作者水平有限，書中難免有疏漏之處，請(qǐng)各位讀者、同行不吝指正。