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 ۴۵۴ صفحه و به قيمت ۷۵ هزار ريال به چاپ رسيده است.

فصل اول : مقدمه........................................................................................ ۱

۱- داده كاوي چيست؟...................................................................................... ۱

۲- چگونه داده كاوي از ديگر رويكردها متمايز مي شود؟............................................ ۶

۳- خلاصه....................................................................................................... ۸

فصل دوم: داده............................................................................................ ۹

۱- مقدمه....................................................................................................... ۹

۲- صفات، مجموعه هاي داده و ذخيره سازي داده ها.............................................. ۱۰

۳-مباحث مرتبط با مقدار و كيفيت داده................................................................. ۳۲

۴- خلاصه....................................................................................................... ۴۷

فصل سوم: مفاهيم يادگيري، دسته بندي و رگرسيون.................................... ۴۹

۱- توضيحات مقدماتي...................................................................................... ۴۹

۲- دسته بندي................................................................................................ ۶۰

۳- خلاصه....................................................................................................... ۷۸

فصل چهارم: استخراج خصيصه و روش هاي انتخاب آن.................................. ۸۱

۱- مقدمه....................................................................................................... ۸۱

۲- استخراج خصيصه......................................................................................... ۸۲

۳- انتخاب خصيصه........................................................................................... ۲۲۷

۴- خلاصه....................................................................................................... ۲۶۹

فصل پنجم: يادگيري هدايت نشده: خوشه بندي............................................. ۲۷۱

۱- داده ها و خوشه ها...................................................................................... ۲۷۱

۲- طبقه بندي الگوريتم خوشه بندي................................................................... ۲۷۳

۳- اندازه گيري تشابه....................................................................................... ۲۷۴

۴- خوشه بندي سلسله مراتبي......................................................................... ۲۷۷

۵- خوشه بندي مبتني بر تابع هدف.................................................................... ۲۸۳

۶- خوشه بندي مبتني بر شبكه......................................................................... ۲۹۸

۷- نگاشت هاي خودسازمانده............................................................................ ۳۰۱

۸- خوشه بندي و كمي سازي برداري.................................................................. ۳۱۱

۹- اعتبار خوشه.............................................................................................. ۳۱۲

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

داده بزرگ....................................................................................................... ۳۱۹

۱۱- خلاصه..................................................................................................... ۳۲۲

فصل ششم: يادگير هدايت نشده: قوانين وابستگي....................................... ۳۲۳

۱- مقدمه....................................................................................................... ۳۲۳

۲- قوانين وابستگي و داده هاي تراكنشي............................................................ ۳۲۵

۳- استخراج قوانين وابستگي بولي يك بعدي و تك سطحي...................................... ۳۳۵

۴-استخراج انواع ديگري از قوانين وابستگي........................................................... ۳۴۷

۵- خلاصه....................................................................................................... ۳۵۲

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

يادگيرنده قانون و هيبريدهاي آنها........................................................................ ۳۵۵

۱- يادگيري ماشين استقرايي چيست؟................................................................ ۳۵۶

۲- درخت هاي تصميم...................................................................................... ۳۷۰

۳- الگوريتم هاي يادگيرنده قانون......................................................................... ۳۸۱

۴- الگوريتم هاي هيبريد.................................................................................... ۳۹۴

۵- خلاصه....................................................................................................... ۴۲۸

فصل هشتم: يادگيري هدايت شده: ماشين هاي بردار پشتيباني.................... ۴۲۹

۱- مقدمه....................................................................................................... ۴۳۰

۲- دسته بندي كننده بردار پشتيباني.................................................................. ۴۳۰

۳- رگرسور بردار پشتيباني................................................................................ ۴۴۹

۴- استفاده از SVM ها – يك رويكرد مبتني بر فرآيند................................................ ۴۵۱

۵- ماشين هاي بردار پشتيباني و شبكه هاي عصبي............................................. ۴۵۵

۶- نقاط ضعف ماشين هاي بردار پشتيباني.......................................................... ۴۵۶

۷- خلاصه....................................................................................................... ۴۵۷

فهرست منابع..................................................................................................... ۴۵۹