Data Mining. Concepts and Techniques, 3rd Edition

HAN

21-bib-633-672-9780123814791

2011/6/1

3:27

Page 657

#25

Bibliography

657

[MFS95]

D. Malerba, E. Floriana, and G. Semeraro. A further comparison of simplification meth-

ods for decision tree induction. In D. Fisher and H. Lenz (eds.), Learning from Data: AI

and Statistics. Springer Verlag, 1995.

[MH95]

J. K. Martin and D. S. Hirschberg. The time complexity of decision tree induction. In

Technical Report ICS-TR 95-27, pp. 1–27, Department of Information and Computer

Science, University of California, Irvine, CA, Aug. 1995.

[MH09]

H. Miller and J. Han. Geographic Data Mining and Knowledge Discovery (2nd ed.).

Chapman & Hall/CRC, 2009.

[Mic83]

R. S. Michalski. A theory and methodology of inductive learning. In R. S. Michalski,

J. G. Carbonell, and T. M. Mitchell (eds.), Machine Learning: An Artificial Intelligence

Approach, Vol. 1, pp. 83–134. Morgan Kaufmann, 1983.

[Mic92]

Z. Michalewicz. Genetic Algorithms + Data Structures = Evolution Programs. Springer

Verlag, 1992.

[Mil98]

R. G. Miller. Survival Analysis. Wiley-Interscience, 1998.

[Min89]

J. Mingers. An empirical comparison of pruning methods for decision-tree induction.

Machine Learning, 4:227–243, 1989.

[Mir98]

B. Mirkin. Mathematical classification and clustering. J. Global Optimization, 12:105–

108, 1998.

[Mit96]

M. Mitchell. An Introduction to Genetic Algorithms. Cambridge, MA: MIT Press, 1996.

[Mit97]

T. M. Mitchell. Machine Learning. McGraw-Hill, 1997.

[MK91]

M. Manago and Y. Kodratoff. Induction of decision trees from complex structured data.

In G. Piatetsky-Shapiro and W. J. Frawley (eds.), Knowledge Discovery in Databases,

pp. 289–306. AAAI/MIT Press, 1991.

[MLSZ06]

Q. Mei, C. Liu, H. Su, and C. Zhai. A probabilistic approach to spatiotemporal theme

pattern mining on weblogs. In Proc. 15th Int. Conf. World Wide Web (WWW’06),

pp. 533–542, Edinburgh, Scotland, May 2006.

[MM95]

J. Major and J. Mangano. Selecting among rules induced from a hurricane database.

J. Intelligent Information Systems, 4:39–52, 1995.

[MM02]

G. Manku and R. Motwani. Approximate frequency counts over data streams. In Proc.

2002 Int. Conf. Very Large Data Bases (VLDB’02), pp. 346–357, Hong Kong, China, Aug.

2002.

[MN89]

M. M´ezard and J.-P. Nadal. Learning in feedforward layered networks: The tiling

algorithm. J. Physics, 22:2191–2204, 1989.

[MO04]

S. C. Madeira and A. L. Oliveira. Biclustering algorithms for biological data analysis: A

survey. IEEE/ACM Trans. Computational Biology and Bioinformatics, 1(1):24–25, 2004.

[MP69]

M. L. Minsky and S. Papert. Perceptrons: An Introduction to Computational Geometry.

Cambridge, MA: MIT Press, 1969.

[MRA95]

M. Metha, J. Rissanen, and R. Agrawal. MDL-based decision tree pruning. In Proc.

1995 Int. Conf. Knowledge Discovery and Data Mining (KDD’95), pp. 216–221, Montreal,

Quebec, Canada, Aug. 1995.

[MRS08]

C. D. Manning, P. Raghavan, and H. Schutze. Introduction to Information Retrieval.

Cambridge University Press, 2008.

[MS03a]

M. Markou and S. Singh. Novelty detection: A review—part 1: Statistical approaches.

Signal Processing, 83:2481–2497, 2003.

---

HAN

21-bib-633-672-9780123814791

2011/6/1

3:27

Page 658

#26

658

Bibliography

[MS03b]

M. Markou and S. Singh. Novelty detection: A review—part 2: Neural network based

approaches. Signal Processing, 83:2499–2521, 2003.

[MST94]

D. Michie, D. J. Spiegelhalter, and C. C. Taylor. Machine Learning, Neural and Statistical

Classification. Chichester, England: Ellis Horwood, 1994.

[MT94]

R. S. Michalski and G. Tecuci. Machine Learning, A Multistrategy Approach, Vol. 4.

Morgan Kaufmann, 1994.

[MTV94]

H. Mannila, H. Toivonen, and A. I. Verkamo. Efficient algorithms for discovering asso-

ciation rules. In Proc. AAAI’94 Workshop Knowledge Discovery in Databases (KDD’94),

pp. 181–192, Seattle, WA, July 1994.

[MTV97]

H. Mannila, H. Toivonen, and A. I. Verkamo. Discovery of frequent episodes in event

sequences. Data Mining and Knowledge Discovery, 1:259–289, 1997.

[Mur98]

S. K. Murthy. Automatic construction of decision trees from data: A multi-disciplinary

survey. Data Mining and Knowledge Discovery, 2:345–389, 1998.

[Mut05]

S. Muthukrishnan. Data Streams: Algorithms and Applications. Now Publishers, 2005.

[MXC

+

07]

Q. Mei, D. Xin, H. Cheng, J. Han, and C. Zhai. Semantic annotation of frequent patterns.

ACM Trans. Knowledge Discovery from Data (TKDD), 15:321–348, 2007.

[MY97]

R. J. Miller and Y. Yang. Association rules over interval data. In Proc. 1997 ACM-

SIGMOD Int. Conf. Management of Data (SIGMOD’97), pp. 452–461, Tucson, AZ, May

1997.

[MZ06]

Q. Mei and C. Zhai. A mixture model for contextual text mining. In Proc. 2006

ACM SIGKDD Int. Conf. Knowledge Discovery in Databases (KDD’06), pp. 649–655,

Philadelphia, PA, Aug. 2006.

[NB86]

T. Niblett and I. Bratko. Learning decision rules in noisy domains. In M. A. Brammer

(ed.), Expert Systems ’86: Research and Development in Expert Systems III, pp. 25–34.

British Computer Society Specialist Group on Expert Systems, Dec. 1986.

[NBW06]

M. Newman, A.-L. Barabasi, and D. J. Watts. The Structure and Dynamics of Networks.

Princeton University Press, 2006.

[NC03]

C. C. Noble and D. J. Cook. Graph-based anomaly detection. In Proc. 2003 ACM

SIGKDD Int. Conf. Knowledge Discovery and Data Mining (KDD’03), pp. 631–636,

Washington, DC, Aug. 2003.

[New10]

M. Newman. Networks: An Introduction. Oxford University Press, 2010.

[NG04]

M. E. J. Newman and M. Girvan. Finding and evaluating community structure in

networks. Physical Rev. E, 69:113–128, 2004.

[NGE-R09]

J. Neville, B. Gallaher, and T. Eliassi-Rad. Evaluating statistical tests for within-network

classifiers of relational data. In Proc. 2009 Int. Conf. Data Mining (ICDM’09), pp. 397–

406, Miami, FL, Dec. 2009.

[NH94]

R. Ng and J. Han. Efficient and effective clustering method for spatial data mining. In

Proc. 1994 Int. Conf. Very Large Data Bases (VLDB’94), pp. 144–155, Santiago, Chile,

Sept. 1994.

[NJW01]

A. Y. Ng, M. I. Jordan, and Y. Weiss. On spectral clustering: Analysis and an algorithm.

In T. G. Dietterich, S. Becker, and Z. Ghahramani (eds.), Advances in Neural Information

Processing Systems 14. pp. 849–856, Cambridge, MA: MIT Press, 2001.

[NK04]

S. Nijssen and J. Kok. A quick start in frequent structure mining can make a difference.

In Proc. 2004 ACM SIGKDD Int. Conf. Knowledge Discovery in Databases (KDD’04),

pp. 647–652, Seattle, WA, Aug. 2004.

---