Data Mining. Concepts and Techniques, 3rd Edition

HAN

21-bib-633-672-9780123814791

2011/6/1

3:27

Page 671

#39

Bibliography

671

[Zha08]

C. Zhai. Statistical Language Models for Information Retrieval. Morgan and Claypool,

2008.

[ZHL

+

98]

O. R. Za¨ıane, J. Han, Z. N. Li, J. Y. Chiang, and S. Chee. MultiMedia-Miner: A sys-

tem prototype for multimedia data mining. In Proc. 1998 ACM-SIGMOD Int. Conf.

Management of Data (SIGMOD’98), pp. 581–583, Seattle, WA, June 1998.

[Zhu05]

X. Zhu. Semi-supervised learning literature survey. In Computer Sciences Technical

Report 1530, University of Wisconsin–Madison, 2005.

[ZHZ00]

O. R. Za¨ıane, J. Han, and H. Zhu. Mining recurrent items in multimedia with progressive

resolution refinement. In Proc. 2000 Int. Conf. Data Engineering (ICDE’00), pp. 461–470,

San Diego, CA, Feb. 2000.

[Zia91]

W. Ziarko. The discovery, analysis, and representation of data dependencies in databases.

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

pp. 195–209. AAAI Press, 1991.

[ZL06]

Z.-H. Zhou and X.-Y. Liu. Training cost-sensitive neural networks with methods

addressing the class imbalance problem. IEEE Trans. Knowledge and Data Engineering,

18:63–77, 2006.

[ZPOL97]

M. J. Zaki, S. Parthasarathy, M. Ogihara, and W. Li. Parallel algorithm for discovery of

association rules. Data Mining and Knowledge Discovery, 1:343–374, 1997.

[ZRL96]

T. Zhang, R. Ramakrishnan, and M. Livny. BIRCH: An efficient data clustering method

for very large databases. In Proc. 1996 ACM-SIGMOD Int. Conf. Management of Data

(SIGMOD’96), pp. 103–114, Montreal, Quebec, Canada, June 1996.

[ZS02]

N. Zapkowicz and S. Stephen. The class imbalance program: A systematic study.

Intelligence Data Analysis, 6:429–450, 2002.

[ZYH

+

07]

F. Zhu, X. Yan, J. Han, P. S. Yu, and H. Cheng. Mining colossal frequent patterns by

core pattern fusion. In Proc. 2007 Int. Conf. Data Engineering (ICDE’07), pp. 706–715,

Istanbul, Turkey, Apr. 2007.

[ZYHY07]

F. Zhu, X. Yan, J. Han, and P. S. Yu. gPrune: A constraint pushing framework for graph

pattern mining. In Proc. 2007 Pacific-Asia Conf. Knowledge Discovery and Data Mining

(PAKDD’07), pp. 388–400, Nanjing, China, May 2007.

[ZZ09]

Z. Zhang and R. Zhang. Multimedia Data Mining: A Systematic Introduction to Concepts

and Theory. Chapman & Hall, 2009.

[ZZH09]

D. Zhang, C. Zhai, and J. Han. Topic cube: Topic modeling for OLAP on multi-

dimensional text databases. In Proc. 2009 SIAM Int. Conf. Data Mining (SDM’09),

pp. 1123–1134, Sparks, NV, Apr. 2009.

---

EDELKAMP

19-ch15-671-700-9780123725127

2011/5/28

14:50

Page 672

#2

This page intentionally left blank

---

HAN

22-ind-673-708-9780123814791

2011/6/1

3:27

Page 673

#1

Index

Numbers and Symbols

.632 bootstrap, 371

δ-bicluster algorithm, 517–518

δ-pCluster, 518–519

A

absolute-error criterion, 455

absolute support, 246

abstraction levels, 281

accuracy

attribute construction and, 105

boosting, 382

with bootstrap, 371

classification, 377–385

classifier, 330, 366

with cross-validation, 370–371

data, 84

with holdout method, 370

measures, 369

random forests, 383

with random subsampling, 370

rule selection based on, 361

activation function, 402

active learning, 25, 430, 437

ad hoc data mining, 31

AdaBoost, 380–382

algorithm illustration, 382

TrAdaBoost, 436

adaptive probabilistic networks, 397

advanced data analysis, 3, 4

advanced database systems, 4

affinity matrix, 520, 521

agglomerative hierarchical method, 459

AGNES, 459, 460

divisive hierarchical clustering versus,

459–460

Agglomerative Nesting (AGNES), 459, 460

aggregate cells, 189

aggregation, 112

bootstrap, 379

complex data types and, 166

cube computation and, 193

data cube, 110–111

at multiple granularities, 230–231

multiway array, 195–199

simultaneous, 193, 195

AGNES. See Agglomerative Nesting

algebraic measures, 145

algorithms. See specific algorithms

all confidence

measure, 268, 272

all-versus-all (AVA), 430–431

analysis of variance (ANOVA), 600

analytical processing, 153

ancestor cells, 189

angle-based outlier detection (ABOD), 580

angle-based outlier factor (ABOF), 580

anomalies. See outliers

anomaly mining. See outlier analysis

anomaly-based detection, 614

antimonotonic constraints, 298, 301

antimonotonic measures, 194

antimonotonicity, 249

apex cuboids, 111, 138, 158

application domain-specific semantics, 282

applications, 33, 607–618

business intelligence, 27

computer science, 613

domain-specific, 625

engineering, 613, 624

exploration, 623

financial data analysis, 607–609

intrusion detection/prevention, 614–615

recommender systems, 615–618

retail industry, 609–611

science, 611–613

social science and social studies, 613

673

---