数据挖掘概念与技术

出版时间：2007-3  出版社：机械工业  作者：(加)Jiawei Han;Micheline Kamber  页数：488  译者：范明,孟小峰  
Tag标签：无  

内容概要

本书全面地讲述数据挖掘领域的重要知识和技术创新。在第1版内容相当全面的基础上，第2版展示了该领域的最新研究成果，例如挖掘流、时序和序列数据以及挖掘时间空间、多媒体、文本和Web数据。本书可作为数据挖掘和知识发现领域的教师、研究人员和开发人员的一本必读书。
　　本书第1版曾是受读者欢迎的数据挖掘专著，是一本可读性极佳的教材。第2版充实了数据挖掘领域研究新进展的题材，增加了讲述最新的数据挖掘方法的若干章节。本书适合作为高等院校计算机及相关专业高年级本科生的选修课教材，特别适合作为研究生的专业课教材。

作者简介

Jiawei
Han，伊利诺伊大学厄巴纳－尚佩恩分校计算机科学系教授。由于在数据挖掘和数据库系统领域卓有成效的研究工作，他曾多次获得各种荣誉和奖励，其中包括2004年ACM
SIGKDD颁发的创新奖。同时，他还是ACM《Transactions on Knowledge Discovery from
Data》的主编，以及IEE

书籍目录

出版者的话
专家指导委员会
中文版序
译者序
序
前言
第1章 引言
　1.1 什么激发了数据挖掘，为什么它是重要的
　1.2 什么是数据挖掘
　1.3 对何种数据进行数据挖掘
　　1.3.1 关系数据库
　　1.3.2 数据仓库
　　1.3.3 事务数据库
　　1.3.4 高级数据和信息系统与高级应用
　1.4 数据挖掘功能—可以挖掘什么类型的模式
　　1.4.1 概念/类描述：特征化和区分
　　1.4.2 挖掘频繁模式、关联和相关
　　1.4.3 分类和预测
　　1.4.4 聚类分析
　　1.4.5 离群点分析
　　1.4.6 演变分析
　1.5 所有模式都是有趣的吗
　1.6 数据挖掘系统的分类
　1.7 数据挖掘任务原语
　1.8 数据挖掘系统与数据库系统或数据仓库系统的集成
　1.9 数据挖掘的主要问题
　1.10 小结
　习题
　文献注释
第2章 数据预处理
　2.1 为什么要预处理数据
　2.2 描述性数据汇总
　　2.2.1 度量数据的中心趋势
　　2.2.2 度量数据的离散程度
　　2.2.3 基本描述数据汇总的图形显示
　2.3 数据清理
　　2.3.1 缺失值
　　2.3.2 噪声数据
　　2.3.3 数据清理作为一个过程
　2.4 数据集成和变换
　　2.4.1 数据集成
　　2.4.2 数据变换
　2.5 数据归约
　　2.5.1 数据立方体聚集
　　2.5.2 属性子集选择
　　2.5.3 维度归约
　　2.5.4 数值归约
　2.6 数据离散化和概念分层产生
　　2.6.1 数值数据的离散化和概念分层产生
　　2.6.2 分类数据的概念分层产生
　2.7 小结
　习题
　文献注释
第3章 数据仓库与OLAP技术概述
　3.1 什么是数据仓库
　　3.1.1 操作数据库系统与数据仓库的区别
　　3.1.2 为什么需要分离的数据仓库
　3.2 多维数据模型
　　3.2.1 由表和电子数据表到数据立方体
　　3.2.2 星形、雪花形和事实星座形模式：多维数据库模式
　　3.2.3 定义星形、雪花形和事实星座形模式的例子
　　3.2.4 度量的分类和计算
　　3.2.5 概念分层
　　3.2.6 多维数据模型中的OLAP操作
　　3.2.7 查询多维数据库的星形网查询模型
　3.3 数据仓库的系统结构
　　3.3.1 数据仓库的设计和构造步骤
　　3.3.2 三层数据仓库的系统结构
　　3.3.3 数据仓库后端工具和实用程序
　　3.3.4 元数据储存库
　　3.3.5 OLAP服务器类型：ROLAP、MOLAP与HOLAP
　3.4 数据仓库实现
　　3.4.1 数据立方体的有效计算
　　3.4.2 索引OLAP数据
　　3.4.3 OLAP查询的有效处理
　3.5 从数据仓库到数据挖掘
　　3.5.1 数据仓库的使用
　　3.5.2 由联机分析处理到联机分析挖掘
　3.6 小结
　习题
　文献注释
第4章 数据立方体计算与数据泛化
　4.1 数据立方体计算的有效方法
　　4.1.1 不同类型立方体物化的路线图
　　4.1.2 完全立方体计算的多路数组聚集
　　4.1.3 BUC：从顶点方体向下计算冰山立方体
　　4.1.4 Star-Cubing：使用动态星形树结构计算冰山立方体
　　4.1.5 为快速高维OLAP预计算壳片段
　　4.1.6 计算具有复杂冰山条件的立方体
　4.2 数据立方体和OLAP技术的进一步发展
　　4.2.1 数据立方体的发现驱动的探查
　　4.2.2 在多粒度的复杂聚集：多特征立方体
　　4.2.3 数据立方体中被约束的梯度分析
　4.3 面向属性的归纳—另一种数据泛化和概念描述方法
　　4.3.1 数据特征化的面向属性的归纳
　　4.3.2 面向属性归纳的有效实现
　　4.3.3 导出泛化的表示
　　4.3.4 挖掘类比较：区分不同的类
　　4.3.5 类描述：特征化和比较的表示
　4.4 小结
　习题
　文献注释
第5章 挖掘频繁模式、关联和相关
　5.1 基本概念和路线图
　　5.1.1 购物篮分析：引发性例子
　　5.1.2 频繁项集、闭项集和关联规则
　　5.1.3 频繁模式挖掘：路线图
　5.2 有效的和可伸缩的频繁项集挖掘方法
　　5.2.1 Apriori算法：使用候选产生发现频繁项集
　　5.2.2 由频繁项集产生关联规则
　　5.2.3 提高Apriori算法的效率
　　5.2.4 不候选产生挖掘频繁项集
　　5.2.5 使用垂直数据格式挖掘频繁项集
　　5.2.6 挖掘闭频繁项集
　5.3 挖掘各种类型的关联规则
　　5.3.1 挖掘多层关联规则
　　5.3.2 从关系数据库和数据仓库挖掘多维关联规则
　5.4 由关联挖掘到相关分析
　　5.4.1 强关联规则不一定有趣：一个例子
　　5.4.2 从关联分析到相关分析
　5.5 基于约束的关联挖掘
　　5.5.1 关联规则的元规则制导挖掘
　　5.5.2 约束推进：规则约束制导的挖掘
　5.6 小结
　习题
　文献注释
第6章 分类和预测
　6.1 什么是分类，什么是预测
　6.2 关于分类和预测的问题
　　6.2.1 为分类和预测准备数据
　　6.2.2 比较分类和预测方法
　6.3 用决策树归纳分类
　　6.3.1 决策树归纳
　　6.3.2 属性选择度量
　　6.3.3 树剪枝
　　6.3.4 可伸缩性与决策树归纳
　6.4 贝叶斯分类
　　6.4.1 贝叶斯定理
　　6.4.2 朴素贝叶斯分类
　　6.4.3 贝叶斯信念网络
　　6.4.4 训练贝叶斯信念网络
　6.5 基于规则的分类
　　6.5.1 使用IF-THEN规则分类
　　6.5.2 从决策树提取规则
　　6.5.3 使用顺序覆盖算法的规则归纳
　6.6 用后向传播分类
　　6.6.1 多层前馈神经网络
　　6.6.2 定义网络拓扑
　　6.6.3 后向传播
　　6.6.4 黑盒内部：后向传播和可解释性
　6.7 支持向量机
　　6.7.1 数据线性可分的情况
　　6.7.2 数据非线性可分的情况
　6.8 关联分类：基于关联规则分析的分类
　6.9 惰性学习法（或从近邻学习）
　　6.9.1 k最近邻分类法
　　6.9.2 基于案例的推理
　6.10 其他分类方法
　　6.10.1 遗传算法
　　6.10.2 粗糙集方法
　　6.10.3 模糊集方法
　6.11 预测
　　6.11.1 线性回归
　　6.11.2 非线性回归
　　6.11.3 其他基于回归的方法
　6.12 准确率和误差的度量
　　6.12.1 分类器准确率度量
　　6.12.2 预测器误差度量
　6.13 评估分类器或预测器的准确率
　　6.13.1 保持方法和随机子抽样
　　6.13.2 交叉确认
　　6.13.3 自助法
　6.14 系综方法—提高准确率
　　6.14.1 装袋
　　6.14.2 提升
　6.15 模型选择
　　6.15.1 估计置信区间
　　6.15.2 ROC 曲线
　6.16 小结
　习题
　文献注释
第7章 聚类分析
　7.1 什么是聚类分析
　7.2 聚类分析中的数据类型
　　7.2.1 区间标度变量
　　7.2.2 二元变量
　　7.2.3 分类、序数和比例标度变量
　　7.2.4 混合类型的变量
　　7.2.5 向量对象
　7.3 主要聚类方法的分类
　7.4 划分方法
　　7.4.1 典型的划分方法：k均值和k中心点
　　7.4.2 大型数据库的划分方法：从k中心点到CLARANS
　7.5 层次方法
　　7.5.1 凝聚和分裂层次聚类
　　7.5.2 BIRCH：利用层次方法的平衡迭代归约和聚类
　　7.5.3 ROCK：分类属性的层次聚类算法
　　7.5.4 Chameleon：利用动态建模的层次聚类算法
　7.6 基于密度的方法
　　7.6.1 DBSCAN：一种基于高密度连通区域的基于密度的聚类方法
　　7.6.2 OPTICS：通过点排序识别聚类结构
　　7.6.3 DENCLUE：基于密度分布函数的聚类
　7.7 基于网格的方法
　　7.7.1 STING：统计信息网格
　　7.7.2 WaveCluster：利用小波变换聚类
　7.8 基于模型的聚类方法
　　7.8.1 期望最大化方法
　　7.8.2 概念聚类
　　7.8.3 神经网络方法
　7.9 聚类高维数据
　　7.9.1 CLIQUE：维增长子空间聚类方法
　　7.9.2 PROCLUS：维归约子空间聚类方法
　　7.9.3 基于频繁模式的聚类方法
　7.10 基于约束的聚类分析
　　7.10.1 含有障碍物的对象聚类
　　7.10.2 用户约束的聚类分析
　　7.10.3 半监督聚类分析
　7.11 离群点分析
　　7.11.1 基于统计分布的离群点检测
　　7.11.2 基于距离的离群点检测
　　7.11.3 基于密度的局部离群点检测
　　7.11.4 基于偏差的离群点检测
　7.12 小结
　习题
　文献注释
第8章 挖掘流、时间序列和序列数据
　8.1 挖掘数据流
　　8.1.1 流数据处理方法和流数据系统
　　8.1.2 流OLAP和流数据立方体
　　8.1.3 数据流中的频繁模式挖掘
　　8.1.4 动态数据流的分类
　　8.1.5 聚类演变数据流
　8.2 时间序列数据挖掘
　　8.2.1 趋势分析
　　8.2.2 时间序列分析中的相似性搜索
　8.3 挖掘事务数据库中的序列模式
　　8.3.1 序列模式挖掘：概念和原语
　　8.3.2 挖掘序列模式的可伸缩方法
　　8.3.3 基于约束的序列模式挖掘
　　8.3.4 时间相关序列数据的周期性分析
　8.4 挖掘生物学数据中的序列模式
　　8.4.1 生物学序列比对
　　8.4.2 生物学序列分析的隐马尔可夫模型
　8.5 小结
　习题
　文献注释
第9章 图挖掘、社会网络分析和多关系数据挖掘
　9.1 图挖掘
　　9.1.1 挖掘频繁子图的方法
　　9.1.2 挖掘变体和约束子结构的模式
　　9.1.3 应用：图索引、相似性搜索、分类和聚类
　9.2 社会网络分析
　　9.2.1 什么是社会网络
　　9.2.2 社会网络的特征
　　9.2.3 链接挖掘：任务和挑战
　　9.2.4 挖掘社会网络
　9.3 多关系数据挖掘
　　9.3.1 什么是多关系数据挖掘
　　9.3.2 多关系分类的ILP方法
　　9.3.3 元组ID传播
　　9.3.4 利用元组ID传播进行多关系分类
　　9.3.5 用户指导的多关系聚类
　9.4 小结
　习题
　文献注释
第10章 挖掘对象、空间、多媒体、文本和Web数据
　10.1 复杂数据对象的多维分析和描述性挖掘
　　10.1.1 结构化数据的泛化
　　10.1.2 空间和多媒体数据泛化中的聚集和近似
　　10.1.3 对象标识和类/子类层次的泛化
　　10.1.4 类复合层次泛化
　　10.1.5 对象立方体的构造与挖掘
　　10.1.6 用分治法对规划数据库进行基于泛化的挖掘
　10.2 空间数据挖掘
　　10.2.1 空间数据立方体构造和空间OLAP
　　10.2.2 挖掘空间关联和并置模式
　　10.2.3 空间聚类方法
　　10.2.4 空间分类和空间趋势分析
　　10.2.5 挖掘光栅数据库
　10.3 多媒体数据挖掘
　　10.3.1 多媒体数据的相似性搜索
　　10.3.2 多媒体数据的多维分析
　　10.3.3 多媒体数据的分类和预测分析
　　10.3.4 挖掘多媒体数据中的关联
　　10.3.5 音频和视频数据挖掘
　10.4 文本挖掘
　　10.4.1 文本数据分析和信息检索
　　10.4.2 文本的维度归约
　　10.4.3 文本挖掘方法
　10.5 挖掘万维网
　　10.5.1 挖掘Web页面布局结构
　　10.5.2 挖掘Web链接结构识别权威Web页面
　　10.5.3 挖掘Web上的多媒体数据
　　10.5.4 Web文档的自动分类
　　10.5.5 Web使用挖掘
　10.6 小结
　习题
　文献注释
第11章 数据挖掘的应用和发展趋势
　11.1 数据挖掘的应用
　　11.1.1 金融数据分析的数据挖掘
　　11.1.2 零售业的数据挖掘
　　11.1.3 电信业的数据挖掘
　　11.1.4 生物学数据分析的数据挖掘
　　11.1.5 其他科技应用的数据挖掘
　　11.1.6 入侵检测的数据挖掘
　11.2 数据挖掘系统产品和研究原型
　　11.2.1 如何选择数据挖掘系统
　　11.2.2 商用数据挖掘系统的实例
　11.3 数据挖掘的其他主题
　　11.3.1 数据挖掘的理论基础
　　11.3.2 统计学数据挖掘
　　11.3.3 可视数据和音频数据挖掘
　　11.3.4 数据挖掘和协同过滤
　11.4 数据挖掘的社会影响
　　11.4.1 无处不在和无形的数据挖掘
　　11.4.2 数据挖掘、隐私和数据安全
　11.5 数据挖掘的发展趋势
　11.6 小结
　习题
　文献注释
附录 微软用于数据挖掘的OLE DB简介
　A.1 模型创建
　A.2 模型训练
　A.3 模型预测和浏览
索引

用户评论 (总计142条)

•   主要针对的是有一定基础的技术人员，该书仅涉及数据挖掘相关概念和如何实现的理论，基本不涉及任何具体产品及其操作。对于初学者和想快速了解数据挖掘的用户，选择其他更简单，操作性更强的书会更好。
  
  没有数学知识基础的人看起来会有些吃力。通篇充斥各种各样的概念和名词，不过，作者解释描述的很详细全面，所以看懂没有问题但阅读的速度会比较慢。
  
  看完后的感觉是作者不愧于是该领域的专家。其知识之广泛，深入让人惊叹。对于想深入学习数据挖掘的人来说，是不容错过的一本好书。该书关于数据仓库的两章也具有相当的深度，我在其他数据仓库书中还没有见到类似深入的探讨，尤其值得推荐。
  
  整个翻译质量是合格的。可以看出翻译的人也具有相当的专业知识。只是阅读起来有些晦涩，个人感觉翻译质量还有提升的空间，毕竟所谓科学就是用最简单的语言阐述最复杂的理论。
  
  书本排版印刷质量良好。基本没有错别字。
•   全面讲述了数据挖掘领域的重要知识和技术创新，对于数据挖掘方面的研究人员和开发人员是不可多得的一本经典教材
•   每天晚上看书到23:30，本来以为会起催眠效果，不过书里面的内容讲的不错，刚开始对总体数据挖掘的内容概括了一下所以写了不少的概念性东西！
  从数据挖掘的历史背景，以及信息处理的演化得出：现在的信息是“数据丰富，信息较少”
  提出了对数据挖掘的需求，之后对现有的数据挖掘知识逐步深入讲解
  每一章都很细致（当然前提是你要细细的读），到后面逐渐深入，对于从事学习数据挖掘的人来说还是很有深度的！和另一本书数据挖掘导论比较起来不知道如何，读完这本书希望深入研究
•   这本书很经典,内容全面,在数据挖掘领域研究中应属权威.值得学习,参考.
•   书中主要介绍数据挖掘理论的概述和导论，能了解数据挖掘的入门知识，但是深入的的话可能还需要其他书籍
•   挺好的一本数据挖掘书籍，可以帮助较全面的了解这个研究领域。
•   数据挖掘入门的好书吧，也是我们的教材。书的内容循序渐进，看下来很有收获。
  书的内容是理论方面的，再结合一个具体的数据挖掘软件练习对比各种方法的结果就会有感觉。具体的算法应该自己动手写写~
•   作者长期从事数据挖掘、商业智能的领域研究，内容理论联系实际，包含知识面广，讲解的非常到位，很喜欢！
•   这本书是数据挖掘大师韩家炜的经典作品，比较全面地讲述了数据挖掘的相关知识，讲述非常深刻。
•   数据挖掘其实分两种，一种是偏文科的，与社会学传播学结合；一种偏理科，专注于理论/算法/实现。本书属于后者，理论性很强，系统而全面，实在是相见恨晚。美中不足是随便就可发现翻译不通的地方。
•   数据挖掘概念与技术经典书，不用说了，顺便赞下当当的送货速度...
•   当今互联网日益发展，用户行为分析等领域需要对大量的数据进行清洗和挖掘，这本书从概念上分析了基本的概念，是本好书。
•   数据挖掘的书籍我看过不少，这一本算是比较好的，深入浅出，概念全面，个人感觉值得推荐。当然，肯定不可能和分析、代数、概率、几何这些经典学科的经典教材相比，但是作为一个新兴学科的教材，应该说是值得一看的了。
•   正版书，而且本书是数据挖掘经典类图书，很值得购买和学习。
•   刚拿到书, 打算深入学习数据挖掘方面的知识. 不过,要有比较好的数学基础才能比较容易看懂. 要细细的阅读.
•   虽然书中的理论，枯燥乏味，但是想从事数据挖掘、智能算法、模式识别的童鞋们，还是要随时翻一翻的。最好能结合工具实践一下。
•   一部很好的数据挖掘入门的书!对数据挖掘各个主要研究方向做了简单的介绍,让读者快速入门...
•   同学推荐的，作为数据挖掘入门很不错，笼统的介绍了数据挖掘的相关知识。有个全面的认识后再去专研相关方向挺好的。。经典……
•   本书的概念确实挺多，算法也比较多，其中很多是智能算法。如果你想学好数据挖掘，应该好好看这本书中的理论。但如果想实际应用，还是找其他相关的应用书籍看看。
•   学习数据分析，懂得一些数据挖掘的概念很有用。书很好。
•   书得内容很经典，是数据挖掘很好的教科书，书得质量也不错
•   数据挖掘概念与技术
  
  经典教程呢
  
  搞数据挖掘必须要的
•   正版书，质量很好。数据挖掘的知识不错。
•   没什么好说的了，数据挖掘最经典的书，搞这方面人的必备！
•   确实是非常经典的一本数据挖掘方面的书，非常值得一看。
•   数据挖掘经典教材，原版翻译。值得学习
•   在数据库的基础上看了此书，数据的挖掘在工作中用起来很方便
•   但是价钱有点高所以一直没有买，最后狠了狠心买了，是数据挖掘很经典的一本书，老师推荐的
•   数据挖掘很好的书，很全，也挺细
•   数据挖掘方面很不错的书。
•   数据挖掘中的经典教材
•   这本是数据挖掘的经典教材，值得一看
•   数据挖掘中的经典。最近学习此方面的知识很受用
•   可以说这本书是数据挖掘的基础经典书籍，也是学数据挖掘必备的工具书，值得细细研读~~
•   这本书是一本经典的数据挖掘学习的书籍！
•   数据挖掘必备书，但需要有一些相关知识的基础，比如统计学的基础。
•   介绍了数据挖掘技术，总的来说不错
•   有关web数据挖掘方面讲的不多。可以看看《web数据挖掘》
•   这本书是权威基础著作，里面的很内容详细，讲解的很透彻，翻译的也比较不错。如果致力于数据挖掘方向的话，我觉得这本书是必读的。
•   数据挖掘的，对于我正好适合，偶很好奇的哈
•   师哥师姐推荐的书籍，是学习数据挖掘的入门书籍，但是偏向理论方面
•   学数据挖掘方向的基本教材啦。基础性的东西都有涉及
•   很好的数据挖掘教材
•   数据仓库与数据挖掘课的教科书，学校推荐的，应该不错！~
•   课题要开始了，需要对数据挖掘进行补充，买了之后发现这本书真的挺合适的
•   这本书是数据挖掘方面比较好的一本书了，值得买
•   现在数据挖掘不可少的一本书
•   书本很实用，对数据挖掘的认识又广阔了一些。
•   数据挖掘的经典
•   对于学习数据挖掘很适用
•   好得不得了。数据挖掘入门必读中的泰斗
•   一样数据挖掘课本，上课虽然没听懂啊多少，但是课下看了一些。
•   数据挖掘方面的书籍中，讲得比较难，得慢慢读
•   数据挖掘的big book！！！I love him！
•   看过范明先生翻译的另外一本数据挖掘书籍，感觉不错。这本刚刚拿到，还没有细看。不过从目录上看还是比较细致的。
•   经典之作，学习挖掘技术的必读
•   想学挖掘的朋友可以作为参考书。
•   中文版，数据仓库基础学习、面比较广，都介绍了点，总得来说还好........
•   经典的书 虽然有点旧了 还是值得收藏的
  机械工业出版社的大部分都不错。现在我岁数大了 买书的时候往往先看出版社。技术类的往往买的是机械工业出版社、电子工业出版社、人民邮电出版社；人文社科类的多买中信出版社、人大出版社。感谢这5个社的编辑哥们姐们门为中国出了一大批好书！
  小社的非热门书我很少看。发现人越来越两级化了，买的书基本都是专业的，网上下载的清一色全是言情的。。。。
•   非常不错。虽然创造性的东西少了一些。问题在中文本，中文本翻译没有任何问题，但中文本缺失了相关文献的标引（应该原书是有的）。而缺了文献标引，书的价值就打了很大的折扣。而且出文献标引比翻译整本书还是容易很多的。作为一个原著写的好，翻译得也好的书，出了这么明显的问题，出版商真的要打屁股了。
•   比较权威的书，值得学习，前几版都看过
•   与第1版比,内容更新不少
•   计算机技术发展速度太快了，不过这部书还是有很强的指导意义！喜欢！值得购买！
•   开始看别人的评论，都说这书纸张很差。但我收到书后，觉得挺好的，质量肯定是过关的。我们上课指定的教材，内容适合我们，虽然是翻译过来的，可能有些地方的翻译不是很到位，但能理解就可以。总比看英文原版的好多了吧。
•   经典教材，但是比较深，需要有比较好的计算机和数学功底才能看懂。努力中
•   老师推荐的一本很经典的书，英文原版很经典，这是翻译成中文的，也不错哦
•   看了别人的书评柑橘很好的书,但是在算法的描述和讲解上,我看了三遍没看懂,不知是我的理解有问题,还是书写的有问题,一般的算法就不说了,都挺简单,但是EM算法那我就一直没明白!至少你举个例子帮助我理解,别人的书上这么随便写的有挺多,感觉没意思!
•   书的内容不错，很经典的一本书。
•   值得专业人士阅读，要求有一定的计算机理论和数学基础。
•   工作需要买一本经典书学习一下
•   dm领域大作，韩老师很强大
•   正在看，书的内容比较全面，理论性比较强，个人感觉与实际结合的案例少了些，不过总体还是很不错的。
•   概念清楚，技术全面，值得一读！
•   很好的书，比较适合入门者
•   计算机专业的必备
•   整体上还是很满意的，只是做习题的时候发现题目给的信息不全面……或许是翻译的问题，whoknows……现在出第三版了，但是导师点明让看第二版，可能第二版更经典~嗯~
•   很经典的书，非常好，要认真学习一下
•   书本内容还没仔细看，大概浏览了一下，所讲到的内容确实有点深，但都非常重要，比较适合有一定基础的人学习……
•   书很新，很不错~~对学习很有帮助~~
•   概念讲的挺详细，的入门必看。书的质量也还行。
•   老师推荐，经典教材……
•   很多数学的东西，要看懂需要花时间。不过的确是一本挺不错的书。
•   经典书，不过还是英文原版好
•   很经典的书，以前看过，自己留一本
•   果然是经典书，面面俱到
•   挺不错的书，经典
•   需要仔细花时间来阅读学习这本书中的知识！！！
•   工作方面要用到的书，现在习惯外国人写的这类书籍了
•   适合当教材。
•   书到了，很快，也挺新的，包装很好
•   韩家伟的书比较好，有不少新东西
•   很专业的一本书 不适合初学者看
•   正在学习中，不错的书
•   书挺好，发货快，正在学习。
•   讲解详细，算法漂亮，内容经典。
•   很适合研读的一本书，覆盖面和深度都有，问题诠释的很直白，有数学和统计基础很容易上手。
•   很经典！！很全面的一本书！！
•   书印刷的不错，内容也可以
•   物流超给力，还没开始读，粗略翻了一下，纸张有点儿薄，内容还不错，毕竟是翻译老外写的书，真不错，好评！！！
•   看书的价格还比较适中！质量和内容不知道究竟怎么样！