Data Mining: The Textbook

۱. ساختار کتاب

کتاب حدود ۷۰۰ صفحه‌ست و به ۵ بخش اصلی تقسیم می‌شه:

بخش

فصل‌ها

موضوعات اصلی

۱. مقدمات

۱-۳

مفاهیم پایه، انواع داده، پیش‌پردازش

۲. روش‌های خوشه‌بندی

۴-۸

K-Means، خوشه‌بندی سلسله‌مراتبی، DBSCAN، خوشه‌بندی گراف

۳. طبقه‌بندی

۹-۱۳

درخت تصمیم، بیز ساده، SVM، شبکه‌های عصبی، جنگل تصادفی

۴. قوانین انجمنی و الگوهای متوالی

۱۴-۱۶

Apriori، FP-Growth، الگوهای تکرارشونده

۵. مباحث پیشرفته

۱۷-۲۱

داده‌کاوی متنی، داده‌کاوی وب، داده‌کاوی جریانی، داده‌کاوی مکانی

۲. ویژگی‌های برجسته

• پوشش کامل الگوریتم‌ها: هر الگوریتم با جزئیات ریاضی و مثال عملی توضیح داده شده

• تمرین‌های متنوع: انتهای هر فصل تمرین‌های نظری و عملی داره

• کدهای نمونه: مثال‌های پیاده‌سازی به زبان‌های مختلف (اغلب پایتون و جاوا)

• رویکرد الگوریتمی: به جای تمرکز روی ابزارها، روی منطق و ریاضیات پشت الگوریتم‌ها تمرکز داره

• به‌روز بودن: ویرایش‌های جدید شامل مباحثی مثل یادگیری عمیق و داده‌کاوی کلان (Big Data) هم هست

۳. این کتاب برای کیه؟

• دانشجویان کارشناسی ارشد و دکتری: منبع اصلی درس داده‌کاوی

• محققان: مرجعی کامل برای مرور الگوریتم‌ها و روش‌ها

• متخصصان صنعت: برای درک عمیق الگوریتم‌هایی که توی پروژه‌هاشون استفاده می‌کنن

• برنامه‌نویسان: کدهای نمونه و مثال‌های عملی کمک می‌کنه الگوریتم‌ها رو پیاده‌سازی کنن

۴. مقایسه با کتاب‌های مشابه

کتاب

نقاط قوت

نقاط ضعف نسبی

Aggarwal (این کتاب)

جامع، ریاضی دقیق، به‌روز

حجم بالا، نیاز به پیش‌زمینه ریاضی

Han & Kamber

مثال‌های زیاد، ساده‌تر

عمق ریاضی کمتر

Witten & Frank (WEKA)

عملی و ابزارمحور

تئوری محدودتر

Bishop (Pattern Recognition)

ریاضی قوی

تمرکز روی یادگیری ماشین، نه داده‌کاوی

۵. پیش‌نیازهای مطالعه

• آشنایی با مبانی آمار و احتمال

• دانش پایه جبر خطی

• آشنایی مقدماتی با یادگیری ماشین

• توانایی خواندن شبه‌کد و الگوریتم‌ها

•