Data Mining. Concepts and Techniques, 3rd Edition

HAN

05-pref-xxiii-xxx-9780123814791

2011/6/1

3:35

Page xxvii

#5

Preface xxvii

Chapter 1.

Introduction

Chapter 2.

Getting to

Know Your

Data

Chapter 3.

Data

Preprocessing

Chapter 6.

Mining

Frequent

Patterns, ....

Basic

Concepts ...

Chapter 8.

Classification:

Basic Concepts

Chapter 10.

Cluster

Analysis: Basic

Concepts and

Methods

Figure P.1

A suggested sequence of chapters for a short introductory course.

Depending on the length of the instruction period, the background of students, and

your interests, you may select subsets of chapters to teach in various sequential order-

ings. For example, if you would like to give only a short introduction to students on data

mining, you may follow the suggested sequence in Figure P.1. Notice that depending on

the need, you can also omit some sections or subsections in a chapter if desired.

Depending on the length of the course and its technical scope, you may choose to

selectively add more chapters to this preliminary sequence. For example, instructors

who are more interested in advanced classification methods may first add “Chapter 9.

Classification: Advanced Methods”; those more interested in pattern mining may choose

to include “Chapter 7. Advanced Pattern Mining”; whereas those interested in OLAP

and data cube technology may like to add “Chapter 4. Data Warehousing and Online

Analytical Processing” and “Chapter 5. Data Cube Technology.”

Alternatively, you may choose to teach the whole book in a two-course sequence that

covers all of the chapters in the book, plus, when time permits, some advanced topics

such as graph and network mining. Material for such advanced topics may be selected

from the companion chapters available from the book’s web site, accompanied with a

set of selected research papers.

Individual chapters in this book can also be used for tutorials or for special topics in

related courses, such as machine learning, pattern recognition, data warehousing, and

intelligent data analysis.

Each chapter ends with a set of exercises, suitable as assigned homework. The exer-

cises are either short questions that test basic mastery of the material covered, longer

questions that require analytical thinking, or implementation projects. Some exercises

can also be used as research discussion topics. The bibliographic notes at the end of each

chapter can be used to find the research literature that contains the origin of the concepts

and methods presented, in-depth treatment of related topics, and possible extensions.

To the Student

We hope that this textbook will spark your interest in the young yet fast-evolving field of

data mining. We have attempted to present the material in a clear manner, with careful

explanation of the topics covered. Each chapter ends with a summary describing the

main points. We have included many figures and illustrations throughout the text to

make the book more enjoyable and reader-friendly. Although this book was designed as

a textbook, we have tried to organize it so that it will also be useful to you as a reference

---

HAN

05-pref-xxiii-xxx-9780123814791

2011/6/1

3:35

Page xxviii

#6

xxviii

Preface

book or handbook, should you later decide to perform in-depth research in the related

fields or pursue a career in data mining.

What do you need to know to read this book?

You should have some knowledge of the concepts and terminology associated with

statistics, database systems, and machine learning. However, we do try to provide

enough background of the basics, so that if you are not so familiar with these fields

or your memory is a bit rusty, you will not have trouble following the discussions in

the book.

You should have some programming experience. In particular, you should be able to

read pseudocode and understand simple data structures such as multidimensional

arrays.

To the Professional

This book was designed to cover a wide range of topics in the data mining field. As a

result, it is an excellent handbook on the subject. Because each chapter is designed to be

as standalone as possible, you can focus on the topics that most interest you. The book

can be used by application programmers and information service managers who wish

to learn about the key ideas of data mining on their own. The book would also be useful

for technical data analysis staff in banking, insurance, medicine, and retailing industries

who are interested in applying data mining solutions to their businesses. Moreover, the

book may serve as a comprehensive survey of the data mining field, which may also

benefit researchers who would like to advance the state-of-the-art in data mining and

extend the scope of data mining applications.

The techniques and algorithms presented are of practical utility. Rather than selecting

algorithms that perform well on small “toy” data sets, the algorithms described in the

book are geared for the discovery of patterns and knowledge hidden in large, real data

sets. Algorithms presented in the book are illustrated in pseudocode. The pseudocode

is similar to the C programming language, yet is designed so that it should be easy to

follow by programmers unfamiliar with C or C++. If you wish to implement any of the

algorithms, you should find the translation of our pseudocode into the programming

language of your choice to be a fairly straightforward task.

Book Web Sites with Resources

The book has a web site at www.cs.uiuc.edu/∼hanj/bk3 and another with Morgan Kauf-

mann Publishers at www.booksite.mkp.com/datamining3e. These web sites contain many

supplemental materials for readers of this book or anyone else with an interest in data

mining. The resources include the following:

Slide presentations for each chapter. Lecture notes in Microsoft PowerPoint slides

are available for each chapter.

---