随着数据集规模和复杂度的持续上升，分析员必须利用更高级的软件工具来执行间接的、自动的智能化 数据分析。《数据挖掘：概念、模型、方法和算法(第2版)》介绍了通过分析高维数据空间中的海量原始数据 来提取用于决策的新信息的尖端技术和方法。 　　本书开篇阐述数据挖掘原理，此后在示例的引导下详细讲解起源于统计学、机器学习、神经网络、模糊 逻辑和演化计算等学科的具有代表性的、最前沿的挖掘方法和算法。本书还着重描述如何恰当地选择方法和 数据分析软件并合理地调整参数。每章末尾附有复习题。 　　本书主要用作计算机科学、计算机工程和计算机信息系统专业的研究生数据挖掘教材，高年级本科生或 具备同等教育背景的读者也完全可以理解本书的所有主题。

Mehmed Kantardzic博士，是美国路易斯维尔大学的Speed工程学院的计算机工程与计算机科学系（CECS）的教授，担任CECS系的研究生主任，以及数据挖掘实验室主任。Kantardzic博士是IEEE(Institute of Electrical and Electronics Engineers)、ISCA(International Symposium on Computer Architecture)，和SPIE(Society of Photo-Optical Instrumentation Engineers )的会员，他有多篇论文获奖，并已在许多相关的期刊上出版。他是各种会议的邀请嘉宾，也是许多书籍的贡献者。

前言 　　从本书第1版出版以来的7年中，数据挖掘领域在开发新技术和拓展其应用范围方面有了长足的进步。正是数据挖掘领域中的这些变化，令笔者下定决心修订本书的第1版，出版第2版。本版的核心内容并没有改变，但汇总了这个快速变化的领域中的最新进展，呈现了数据挖掘在学术研究和商业应用领域的最尖端技术。与第1版相比，最显著的变化是添加了如下内容： 一些新主题，例如集成学习、图表挖掘、时态、空间、分布式和隐私保护等的数据挖掘； 一些新算法，例如分类递归树(CART)，DBSCAN (Density-Based Spatial Clustering of Applications with Noise)、BIRCH(Balanced and Iterative Reducing and Clustering Using Hierarchies)、PageRank、AdaBoost、支持向量机(SVM)、Kohonen自组织映射(SOM)和潜在语义索引(LSI)； 详细介绍数据挖掘过程的实用方面和商用理解，讨论验证、部署、数据理解、因果关系、安全和隐私等重要问题； 比较数据挖掘模型的一些量化方式方法，例如ROC曲线、增益图、ROI图、McNemar测试和K折交叉验证成对t测试。 　　这是一本教材，所以还增加了一些新习题。这一版也更新了附录中的内容，包含了最近几年的新成果，还反映了某个新主题得到人们的重视时发生的变化。 　　笔者感谢在课堂上使用本书第1版的所有同行，以及支持我、鼓励我和提出建议的所有人，并在新版中采纳了这些建议。笔者真诚地感谢数据挖掘实验室和计算机科学系中的所有同事和...