本书内容丰富、结构清晰，共分为七章。第一章详细介绍了数据挖掘的准备工作，帮助理清数据挖掘含义、步骤与任务，加强对数据类型、属性类型基础知识的认知，以及实现具体的一项数据处理任务，为后续数据挖掘任务的实施提供了学习的基础。数据挖掘的任务主要包括分类与回归、时间序列预测、关联规则挖掘、聚类、离群点检测、推荐等，在后续的五章中，对每项数据挖掘任务进行了深入探讨。第二章聚焦于分类与回归，涵盖了决策树及其集成方法（如随机森林、Xgboost）、回归方法（包括各类回归）、支持向量机、各类神经网络（如ANN、图神经网络等）以及贝叶斯模型（如朴素贝叶斯、贝叶斯信念网络）。第三章专注于时间序列预测，主要包括一维时间序列预测与多维时间序列预测方法。第四章详细介绍了关联规则挖掘的两类经典方法：Apriori算法和FP-growth算法。第五章探讨了聚类方法，包括K-means系列、层次聚类、基于密度的聚类、神经网络聚类以及模糊聚类。第六章和第七章分别介绍了离群点检测和协同过滤推荐。

近年来，依托大数据与先进算法的持续迭代，人工智能领域取得了长足进步。尤其是生成式人工智能的快速发展，已成为驱动科技创新的关键力量，深刻改变着人们的生产生活与工作方式。在此背景下，人工智能时代的数据管理类专业也面临着前所未有的发展挑战。人工智能得以发挥作用的重要前提与核心在于学习的来源(数据)与学习的能力。数据挖掘正是具备这种学习能力的数据科学方法。Python作为一种被人们广泛使用的编程语言，以其简洁明了的语法和强大的库支持成为数据挖掘的首选工具。本书以Python为载体，深入浅出地介绍了数据挖掘的基本概念、核心方法和实际应用，帮助读者从理论到实践，逐步掌握数据挖掘的精髓。 本书内容 本书内容全面、结构清晰，共分为6章。第1章详细介绍数据挖掘的准备工作，讲解数据挖掘的含义、步骤与任务，加强对数据类型、属性类型等基础知识的认知，并实现具体的数据处理任务，为后续数据挖掘任务的实施奠定坚实的学习基础。数据挖掘的任务主要包括分类与回归、时间序列预测、关联规则挖掘、聚类、离群点检测等，在后续的5章中对每项数据挖掘任务进行深入探讨；第2章聚焦分类与回归，涵盖决策树及其集成方法(如随机森林、XGBoost)、回归方法(包括各类回归)、支持向量机、各类神经网络(如ANN、图神经网络等)以及贝叶斯模型(如朴素贝叶斯、贝叶斯信念网络)；第3章专注于时间序列预测，主要包括一维时间序列预测方法与多维时间序列预测方法；第4章详细介绍关联规则挖掘的两类经典方法——Apriori算法和FPgrowth算法；第5章探讨聚类方法，包括KMeans系列、层次聚类、基于密度的聚类、神经网络聚类以及模糊聚类...