Data Mining. Concepts and Techniques, 3rd Edition

HAN

06-ack-xxxi-xxxiv-9780123814791

2011/6/1

3:36

Page xxxiii

#3

Acknowledgments

xxxiii

Man Lam, James Lau, Deyi Li, George (Wenmin) Li, Jin Li, Ze-Nian Li, Nancy Liao,

Gang Liu, Junqiang Liu, Ling Liu, Alan (Yijun) Lu, Hongjun Lu, Tong Lu, Wei Lu,

Xuebin Lu, Wo-Shun Luk, Heikki Mannila, Runying Mao, Abhay Mehta, Gabor Melli,

Alberto Mendelzon, Tim Merrett, Harvey Miller, Drew Miners, Behzad Mortazavi-Asl,

Richard Muntz, Raymond T. Ng, Vicent Ng, Shojiro Nishio, Beng-Chin Ooi, Tamer

Ozsu, Jian Pei, Gregory Piatetsky-Shapiro, Helen Pinto, Fred Popowich, Amynmohamed

Rajan, Peter Scheuermann, Shashi Shekhar, Wei-Min Shen, Avi Silberschatz, Evangelos

Simoudis, Nebojsa Stefanovic, Yin Jenny Tam, Simon Tang, Zhaohui Tang, Dick Tsur,

Anthony K. H. Tung, Ke Wang, Wei Wang, Zhaoxia Wang, Tony Wind, Lara Winstone,

Ju Wu, Betty (Bin) Xia, Cindy M. Xin, Xiaowei Xu, Qiang Yang, Yiwen Yin, Clement Yu,

Jeffrey Yu, Philip S. Yu, Osmar R. Zaiane, Carlo Zaniolo, Shuhua Zhang, Zhong Zhang,

Yvonne Zheng, Xiaofang Zhou, and Hua Zhu.

We are also grateful to Jean Hou, Helen Pinto, Lara Winstone, and Hua Zhu for their

help with some of the original figures in this book, and to Eugene Belchev for his careful

proofreading of each chapter.

We also wish to thank Diane Cerra, our Executive Editor at Morgan Kaufmann Pub-

lishers, for her enthusiasm, patience, and support during our writing of this book, as

well as Howard Severson, our Production Editor, and his staff for their conscientious

efforts regarding production. We are indebted to all of the reviewers for their invaluable

feedback. Finally, we thank our families for their wholehearted support throughout this

project.

---

EDELKAMP

19-ch15-671-700-9780123725127

2011/5/28

14:50

Page 672

#2

This page intentionally left blank

---

HAN

07-ata-xxxv-xxxvi-9780123814791

2011/6/1

3:33

Page xxxv

#1

About the Authors

Jiawei Han is a Bliss Professor of Engineering in the Department of Computer Science

at the University of Illinois at Urbana-Champaign. He has received numerous awards

for his contributions on research into knowledge discovery and data mining, including

ACM SIGKDD Innovation Award (2004), IEEE Computer Society Technical Achieve-

ment Award (2005), and IEEE W. Wallace McDowell Award (2009). He is a Fellow of

ACM and IEEE. He served as founding Editor-in-Chief of ACM Transactions on Know-

ledge Discovery from Data (2006–2011) and as an editorial board member of several jour-

nals, including IEEE Transactions on Knowledge and Data Engineering and Data Mining

and Knowledge Discovery.

Micheline Kamber has a master’s degree in computer science (specializing in artifi-

cial intelligence) from Concordia University in Montreal, Quebec. She was an NSERC

Scholar and has worked as a researcher at McGill University, Simon Fraser University,

and in Switzerland. Her background in data mining and passion for writing in easy-

to-understand terms help make this text a favorite of professionals, instructors, and

students.

Jian Pei is currently an associate professor at the School of Computing Science, Simon

Fraser University in British Columbia. He received a Ph.D. degree in computing sci-

ence from Simon Fraser University in 2002 under Dr. Jiawei Han’s supervision. He has

published prolifically in the premier academic forums on data mining, databases, Web

searching, and information retrieval and actively served the academic community. His

publications have received thousands of citations and several prestigious awards. He is

an associate editor of several data mining and data analytics journals.

xxxv

---

EDELKAMP

19-ch15-671-700-9780123725127

2011/5/28

14:50

Page 672

#2

This page intentionally left blank

---

HAN

08-ch01-001-038-9780123814791

2011/6/1

3:12

Page 1

#1

1

Introduction

This book is an introduction

to the young and fast-growing field of data mining (also known

as knowledge discovery from data, or KDD for short). The book focuses on fundamental

data mining concepts and techniques for discovering interesting patterns from data in

various applications. In particular, we emphasize prominent techniques for developing

effective, efficient, and scalable data mining tools.

This chapter is organized as follows. In Section 1.1, you will learn why data mining is

in high demand and how it is part of the natural evolution of information technology.

Section 1.2 defines data mining with respect to the knowledge discovery process. Next,

you will learn about data mining from many aspects, such as the kinds of data that can

be mined (Section 1.3), the kinds of knowledge to be mined (Section 1.4), the kinds of

technologies to be used (Section 1.5), and targeted applications (Section 1.6). In this

way, you will gain a multidimensional view of data mining. Finally, Section 1.7 outlines

major data mining research and development issues.

1.1

Why Data Mining?

Necessity, who is the mother of invention. – Plato

We live in a world where vast amounts of data are collected daily. Analyzing such data

is an important need. Section 1.1.1 looks at how data mining can meet this need by

providing tools to discover knowledge from data. In Section 1.1.2, we observe how data

mining can be viewed as a result of the natural evolution of information technology.

1.1.1

Moving toward the Information Age

“We are living in the information age” is a popular saying; however, we are actually living

in the data age. Terabytes or petabytes

1

of data pour into our computer networks, the

World Wide Web (WWW), and various data storage devices every day from business,

1

A petabyte is a unit of information or computer storage equal to 1 quadrillion bytes, or a thousand

terabytes, or 1 million gigabytes.

c 2012 Elsevier Inc. All rights reserved.

Data Mining: Concepts and Techniques

1

---