"本书在全面介绍移动数据挖掘的基础概念和涉及领域的基础上，着重介绍了移动数据挖掘的核心算法，包括传统统计网络分析方法、一般机器学习算法、高级机器学习方法以及面向移动数据挖掘的推荐算法等内容，并配合提供了大量的前沿技术案例来说明如何将理论算法合理应用到移动数据挖掘的实际问题中。 全书共分5篇：第1篇(第1~4章)为传统方法篇，着重介绍时间序列分析、网络分析、统计概率建模等经典方法；第2篇(第5~7章)为一般机器学习篇,着重讨论经典聚类算法、降维挖掘算法和分类算法及其应用案例；第3篇(第8~10章)为高等机器学习篇，介绍表征学习、深度学习和图神经网络算法及其应用案例等；第4篇(第11~13章)为推荐系统篇，介绍一般推荐系统算法、移动数据相关的推荐系统以及移动应用推荐系统和算法等；第5篇(第14~16章)为前沿研究篇，介绍基于移动大数据的前沿研究方向，以移动行为建模、城市科学和城市不平等三项前沿研究为例,介绍移动数据挖掘的研究思路和未来发展方向。全书提供了大量算法应用案例，每章后均附相关经典文献以供读者参考学习。 本书可作为高等院校电子信息类、计算机类、自动化类、软件工程、城市规划、土木工程等专业高年级本科生、研究生的教材，也可供对数据挖掘、时空数据等内容比较熟悉并且对机器学习算法有所了解的开发人员和研究人员参考。"

李勇，清华大学电子工程系长聘教授、城市科学与计算研究中心负责人。围绕人工智能、数据科学及交叉学科方向，承担国家重点研发计划项目、自然科学基金重点项目等20余项，研究成果发表于Nature Computational Science（自然·计算科学）、Nature Machine Intelligence（自然·机器智能）、Nature Human Behaviour（自然·人类行为）、Nature Cities（自然·城市）等综合性期刊，在ACM KDD、NeurIPS、ICLR、WWW等CCF A类会议期刊发表学术论文100余篇，引用34000次，授权专利50余项。先后入选全球“高被引科学家”、国家级人才计划，

前言 数据挖掘是从海量数据中挖掘知识的一门学科，具有重要的价值。随着移动通信和移动互联网的蓬勃发展，移动数据挖掘成为其中的热门研究领域，并在现实的生产和生活中发挥着日渐重要的作用，例如，用于提升交通管理水平，进行环境问题定位和治理，辅助维护公共安全等。本书从移动环境中产生的时空相关数据出发，以面向移动数据的大数据分析和挖掘方法为主线，全面介绍了移动数据挖掘领域的核心内容和关键算法。 本书面向对象广泛，读者只需掌握基础的计算机知识和编程能力即可。本书以相关领域的学术研究能力培养为核心目标，梳理了移动数据挖掘领域的关键知识点和发展脉络； 按照技术算法迭代的顺序进行课程内容组织，便于学习和掌握； 本书每章均提供一定量的案例，介绍典型的研究范式和将理论算法应用于实际问题中的方法路径，注重 培养读者面对实际问题的实践能力。本书既可以作为电子信息类、计算机类、自动化类、软件工程、城市规划、土木工程等专业各层次学生的教材，还可以作为相关领域从业人员的参考用书。 全书共16章，章节安排以技术发展路径为主线展开，内容讲解由浅入深，层次清晰、通俗易懂。第1章介绍移动数据挖掘的基础内容； 第2章介绍时间序列分析方法； 第3章介绍网络模型分析方法； 第4章介绍统计概率建模方法； 第5章介绍聚类挖掘 方法的概念和常见算法； 第6章介绍降维挖掘方法，包括矩阵分解降维和可视化降维； 第7章介绍分类 挖掘方法的基础概念和经典算法； 第8章介绍表征学习的基础概念和核心算法； 第9章介绍深度学习的基本概念和常用网络架构； 第10章介绍图神经网络的基础概念...