Data Mining. Concepts and Techniques, 3rd Edition

HAN

21-bib-633-672-9780123814791

2011/6/1

3:27

Page 645

#13

Bibliography

645

[Fri77]

J. H. Friedman. A recursive partitioning decision rule for nonparametric classifiers. IEEE

Trans. Computer, 26:404–408, 1977.

[Fri01]

J. H. Friedman. Greedy function approximation: A gradient boosting machine. Ann.

Statistics, 29:1189–1232, 2001.

[Fri03]

N. Friedman. Pcluster: Probabilistic agglomerative clustering of gene expression profiles.

In Technical Report 2003-80, Hebrew University, 2003.

[FRM94]

C. Faloutsos, M. Ranganathan, and Y. Manolopoulos. Fast subsequence matching in

time-series databases. In Proc. 1994 ACM-SIGMOD Int. Conf. Management of Data

(SIGMOD’94), pp. 419–429, Minneapolis, MN, May 1994.

[FS93]

U. Fayyad and P. Smyth. Image database exploration: Progress and challenges. In Proc.

AAAI’93 Workshop Knowledge Discovery in Databases (KDD’93), pp. 14–27, Washington,

DC, July 1993.

[FS97]

Y. Freund and R. E. Schapire. A decision-theoretic generalization of on-line learning and

an application to boosting. J. Computer and System Sciences, 55:119–139, 1997.

[FS06]

R. Feldman and J. Sanger. The Text Mining Handbook: Advanced Approaches in Analyzing

Unstructured Data. Cambridge University Press, 2006.

[FSGM

+

98]

M. Fang, N. Shivakumar, H. Garcia-Molina, R. Motwani, and J. D. Ullman. Computing

iceberg queries efficiently. In Proc. 1998 Int. Conf. Very Large Data Bases (VLDB’98),

pp. 299–310, New York, NY, Aug. 1998.

[FW94]

J. Furnkranz and G. Widmer. Incremental reduced error pruning. In Proc. 1994 Int.

Conf. Machine Learning (ICML’94), pp. 70–77, New Brunswick, NJ, 1994.

[FWFY10]

B. C. M. Fung, K. Wang, A. W.-C. Fu, and P. S. Yu. Introduction to Privacy-Preserving

Data Publishing: Concepts and Techniques. Chapman & Hall/CRC, 2010.

[FYM05]

R. Fujimaki, T. Yairi, and K. Machida. An approach to spacecraft anomaly detec-

tion problem using kernel feature space. In Proc. 2005 Int. Workshop Link Discovery

(LinkKDD’05), pp. 401–410, Chicago, IL, 2005.

[Gal93]

S. I. Gallant. Neural Network Learning and Expert Systems. Cambridge, MA: MIT Press,

1993.

[Gat00]

B. Gates. Business @ the Speed of Thought: Succeeding in the Digital Economy. Warner

Books, 2000.

[GCB

+

97]

J. Gray, S. Chaudhuri, A. Bosworth, A. Layman, D. Reichart, M. Venkatrao, F. Pellow,

and H. Pirahesh. Data cube: A relational aggregation operator generalizing group-by,

cross-tab and sub-totals. Data Mining and Knowledge Discovery, 1:29–54, 1997.

[GFKT01]

L. Getoor, N. Friedman, D. Koller, and B. Taskar. Learning probabilistic models of rela-

tional structure. In Proc. 2001 Int. Conf. Machine Learning (ICML’01), pp. 170–177,

Williamstown, MA, 2001.

[GFS

+

01]

H. Galhardas, D. Florescu, D. Shasha, E. Simon, and C.-A. Saita. Declarative data clean-

ing: Language, model, and algorithms. In Proc. 2001 Int. Conf. Very Large Data Bases

(VLDB’01), pp. 371–380, Rome, Italy, Sept. 2001.

[GG92]

A. Gersho and R. M. Gray. Vector Quantization and Signal Compression. Kluwer

Academic, 1992.

[GG98]

V. Gaede and O. G¨unther. Multidimensional access methods. ACM Computing Surveys,

30:170–231, 1998.

---

HAN

21-bib-633-672-9780123814791

2011/6/1

3:27

Page 646

#14

646

Bibliography

[GGR99]

V. Ganti, J. E. Gehrke, and R. Ramakrishnan. CACTUS—clustering categorical data

using summaries. In Proc. 1999 Int. Conf. Knowledge Discovery and Data Mining

(KDD’99), pp. 73–83, San Diego, CA, 1999.

[GGRL99]

J. Gehrke, V. Ganti, R. Ramakrishnan, and W.-Y. Loh. BOAT—optimistic decision

tree construction. In Proc. 1999 ACM-SIGMOD Int. Conf. Management of Data

(SIGMOD’99), pp. 169–180, Philadelphia, PA, June 1999.

[GHL06]

H. Gonzalez, J. Han, and X. Li. Flowcube: Constructuing RFID flowcubes for multi-

dimensional analysis of commodity flows. In Proc. 2006 Int. Conf. Very Large Data Bases

(VLDB’06), pp. 834–845, Seoul, Korea, Sept. 2006.

[GHLK06]

H. Gonzalez, J. Han, X. Li, and D. Klabjan. Warehousing and analysis of massive RFID

data sets. In Proc. 2006 Int. Conf. Data Engineering (ICDE’06), p. 83, Atlanta, GA, Apr.

2006.

[GKK

+

01]

R. L. Grossman, C. Kamath, P. Kegelmeyer, V. Kumar, and R. R. Namburu. Data Mining

for Scientific and Engineering Applications. Kluwer Academic, 2001.

[GKR98]

D. Gibson, J. M. Kleinberg, and P. Raghavan. Clustering categorical data: An approach

based on dynamical systems. In Proc. 1998 Int. Conf. Very Large Data Bases (VLDB’98),

pp. 311–323, New York, NY, Aug. 1998.

[GM99]

A. Gupta and I. S. Mumick. Materialized Views: Techniques, Implementations, and

Applications. Cambridge, MA: MIT Press, 1999.

[GMMO00]

S. Guha, N. Mishra, R. Motwani, and L. O’Callaghan. Clustering data streams. In Proc.

2000 Symp. Foundations of Computer Science (FOCS’00), pp. 359–366, Redondo Beach,

CA, 2000.

[GMP

+

09]

J. Ginsberg, M. H. Mohebbi, R. S. Patel, L. Brammer, M. S. Smolinski, and L. Brilliant.

Detecting influenza epidemics using search engine query data. Nature, 457:1012–1014,

Feb. 2009.

[GMUW08]

H. Garcia-Molina, J. D. Ullman, and J. Widom. Database Systems: The Complete Book

(2nd ed.). Prentice Hall, 2008.

[GMV96]

I. Guyon, N. Matic, and V. Vapnik. Discoverying informative patterns and data cleaning.

In U. M. Fayyad, G. Piatetsky-Shapiro, P. Smyth, and R. Uthurusamy (eds.), Advances in

Knowledge Discovery and Data Mining, pp. 181–203. AAAI/MIT Press, 1996.

[Gol89]

D. Goldberg. Genetic Algorithms in Search, Optimization, and Machine Learning. Read-

ing, MA: Addison-Wesley, 1989.

[GR04]

D. A. Grossman and O. Frieder. Information Retrieval: Algorithms and Heuristics. New

York: Springer, 2004.

[GR07]

P. D. Grunwald and J. Rissanen. The Minimum Description Length Principle. Cambridge,

MA: MIT Press, 2007.

[GRG98]

J. Gehrke, R. Ramakrishnan, and V. Ganti. RainForest: A framework for fast decision tree

construction of large datasets. In Proc. 1998 Int. Conf. Very Large Data Bases (VLDB’98),

pp. 416–427, New York, NY, Aug. 1998.

[GRS98]

S. Guha, R. Rastogi, and K. Shim. CURE: An efficient clustering algorithm for large

databases. In Proc. 1998 ACM-SIGMOD Int. Conf. Management of Data (SIGMOD’98),

pp. 73–84, Seattle, WA, June 1998.

---