Data Mining Methods and Models数据挖掘算法模型详解

数据挖掘——概念、模型、方法和算法。PDF版本，国外经典教材，清华大学出版社出版。

数据挖掘——概念、模型、方法和算法 DATA MINING Concepts，Models，Methods，and Algorithms（美）Mehmed Kantardzic著，闪四清、陈茵程、雁等译，清华大学出版社

斯坦福教授写的大数据挖掘书，内容不光硬核，讲法也接地气。讲到MapReduce和HDFS时，举了不少实战例子，分布式入门蛮合适的。还有像MinHash、LSH这种搞相似性搜索的算法，解释得也比较易懂，适合你这种边学边用的节奏。 大数据里的实时流，书里专门拿出一章来讲，像什么滑动窗口算法啊、在线算法啊都有提到。做社交数据或者风控的你，肯定会用得上。还有经典的PageRank、链接垃圾检测这些，嗯，搜索相关的项目也挺依赖这些。 像频繁项集挖掘，除了说A-Priori，还给了优化版本的思路，跑大数据集不会卡顿。聚类部分也不含糊，书里提到不少适合高维数据的方案，适合搞推荐系统的同学看看。 还有广告投放

Web 数据挖掘的经典书，内容比较系统，从信息抽取、结构到用户行为都有讲，蛮适合前端工程师补数据的底子。你要是平时在搞数据可视化，或者和后端合作做推荐系统啥的，看这本书挺有。 数据挖掘的东西一开始看确实有点抽象，嗯，但书里用了不少网页上的实际例子，比如从新闻站抓取关键词、点击流，讲得还算接地气。配合上你的 JS 技能，理解起来更轻松。 像用户行为建模这块内容，对做前端埋点的你来说，蛮有用的。知道后面怎么这些数据，再设计事件采集和埋点方案时更有数。 链接我放这了：Web 数据挖掘，建议下来看电子版，搜关键词方便，章节也比较清晰。 如果你刚好在折腾数据相关的项目，或者想对产品的数据逻辑看得更透点，

英文原版的《数据挖掘手册》，内容挺全，讲得也算通俗易懂。适合你平时查概念、过一遍流程逻辑，是遇到一些算法搞不清楚的时候，翻一下它还挺有用的。页面排版清爽，不会那种一页密密麻麻，全是干货但读着还挺轻松。 数据挖掘的核心概念，比如分类、聚类、关联规则这些，在这本里都有。每个方法后面还配了具体例子，逻辑走得也比较顺，有点像入门+实战的组合拳。像是 Apriori 算法，除了原理，还提了下实际业务场景，挺接地气的。 如果你平时用Python或者R搞点小项目，这本也能当工具书用，比如模型评估那一章就系统，不是那种蜻蜓点水的讲法。哦对了，英文不算复杂，差不多技术文档水平，读起来还行。 你要是刚开始入门，想

数据挖掘标准里的 PMML 规范，挺适合做模型互通用的。如果你做的是模型导出、模型部署这块，那这个标准就蛮值得了解下。用的是 XML 格式，解析起来不复杂，像用DOM4J或者Java的 XML 库都能搞定。 PMML这套规范最大的优点就是统一。不同的数据挖掘工具之间，用 PMML 格式交换模型文件，省了不少麻烦。比如你用 R 训练模型，部署的时候想用 Java，直接转成 PMML 就行，省得重写逻辑。 CRISP-DM这个流程也比较经典，适合做数据项目的全流程规划。你要是新带项目，或者想梳理清楚数据挖掘的步骤，按照这个来走，比较靠谱。相关文档我给你列在下面了，包含流程、视图解析，还有中文版的优

数据挖掘里的经典套路，data-mining-patterns 是个蛮实用的资料合集。整理了关联规则、频繁项集、多层模式这些常见模式的算法和实践文章，内容不深奥，上手挺快的。适合你快速回顾或补补基础。像是用 Apriori 算法挖频繁项集，文章里讲得清楚，还有代码和示例。你可以看看使用 Apriori 算法挖掘频繁项集与关联规则这篇，例子简单明了。想了解模式背后的思路？挖掘关联规则的重要性及频繁模式挺适合。作者讲了怎么判断哪些规则有价值，还有些业务场景的小案例。如果你对非频繁模式、加权规则这些冷门方向感兴趣，非频繁模式关联算法 和 加权负关联规则挖掘 也都收录了，偶尔遇到复杂数据集可以用上。多

Web 数据挖掘的百科全书级资源，内容真的是够全，够硬。Apriori 算法、PrefixSpan、监督学习、Web 爬虫，你想找的挖掘思路基本全能翻到。嗯，目录细，像我这种看文喜欢跳着看的人简直太友好了。 第 1 到 5 章是基础，讲了数据挖掘的各种算法，还配了实际应用的示例。Apriori怎么搞、支持向量机怎么调、聚类到底有哪些坑，讲得都挺透。你要是还不太熟这些概念，可以先从这部分啃起，慢慢来不着急。 第 6 章开始就进主菜了，Web 相关的部分真心精彩。像信息检索、搜索引擎的倒排索引、网页预，全都有。写得还挺贴地气，哪怕是非搜索专业的前端看也能懂。停用词移除、词干提取这些步骤讲得也挺细。

韩家伟的数据挖掘书，属于那种看完你会忍不住翻第二遍的类型。不光讲了传统的频繁项集挖掘，像是 Apriori 和 FP-Growth，也把近几年比较火的并行算法、流数据都带上了，覆盖面挺全的，适合前端、后端、算法方向都顺便过一眼。 频繁项集的挖掘，基本上是数据挖掘的老大难了。书里把Apriori讲得还挺清楚，配合这篇文章看，细节会更容易理解。像support、confidence这些概念，在推荐系统或购物篮里用得挺多，实际场景也蛮常见。 FP-Growth比 Apriori 效率高不少，适合大数据量的时候上，核心就是用压缩的前缀树搞定重复扫描问题。参考这个链接FP-Growth 频繁项集挖掘算法