Dieser Text untersucht die Ziele der Datenanalyse im Hinblick auf die Wissensvermehrung und identifiziert die Datenzusammenfassung und Korrelationsanalyse als zentrale Themen. Die Datenzusammenfassung, sowohl quantitativ als auch kategorial, wird im Rahmen des Encoder-Decoder-Paradigmas behandelt und liefert eine Reihe von mathematisch fundierten Erkenntnissen über die Methoden und deren Beziehungen zueinander. Zwei Kapitel beschreiben Methoden zur kategorialen Zusammenfassung: Partitionierung, divisive Clusterbildung und separate Clusterfindung, während ein weiteres die Methoden zur quantitativen Zusammenfassung erklärt, einschliesslich der Hauptkomponentenanalyse und PageRank.

Merkmale:

• Eine umfassende Darstellung der K-Means-Partitionierung, einschliesslich einer entsprechenden pythagoreischen Zerlegung der Datenstreuung.
• Ratschläge zu Themen wie der Clusterbildung von kategorialen und gemischten Skalen-Daten, Ähnlichkeit und Netzwerkdaten, Interpretationshilfen, anomalen Clustern, der Anzahl der Cluster usw.
• Gründliche Beachtung der datengestützten Modellierung, einschliesslich einer Reihe von mathematisch formulierten Beziehungen zwischen statistischen und geometrischen Konzepten, einschliesslich der Beziehungen zwischen Güte-Kriterien für Entscheidungsbäume und Datenstandardisierung, Ähnlichkeit und Konsens-Clusterbildung, Modularitäts-Clusterbildung und einheitlicher Partitionierung.

Höhepunkte der neuen Auflage:

• Einbeziehung von Ranking-Themen wie Google PageRank, lineare Stratifikation, gebundene Rangmediane, Konsens-Clusterbildung, semi-durchschnittliche Clusterbildung und Ein-Cluster-Clusterbildung.
• Umstrukturiert, um die Logik klarer und die Abschnitte eigenständig zu gestalten.

Core Data Analysis: Summarization, Correlation, and Visualization richtet sich an diejenigen, die daran interessiert sind, das Feld weiterzuentwickeln, und spricht sowohl Anfänger als auch Praktiker an.