數(shù)據(jù)挖掘原理與技術(shù)

第1章 緒論
1-1 什么是數(shù)據(jù)挖掘
1-2 為何進行數(shù)據(jù)挖掘
1-3 數(shù)據(jù)挖掘和統(tǒng)計分析的關(guān)系
1-4 數(shù)據(jù)挖掘與數(shù)據(jù)倉庫的關(guān)系
1-5 數(shù)據(jù)挖掘系統(tǒng)和其他系統(tǒng)的比較
1-5-1 數(shù)據(jù)挖掘系統(tǒng)與專家系統(tǒng)的比較
1-5-2 數(shù)據(jù)挖掘和OLAP的比較
1-6 數(shù)據(jù)挖掘系統(tǒng)的分類
第2章 數(shù)據(jù)挖掘過程
2-1 問題定義與主題分析
2-2 數(shù)據(jù)準(zhǔn)備
2-2-1 數(shù)據(jù)清理
2-2-2 數(shù)據(jù)集成
2-2-3 數(shù)據(jù)選擇
2-2-4 數(shù)據(jù)變換
2-2-5 數(shù)據(jù)歸約
2-2-6 數(shù)據(jù)質(zhì)量分析
2-3 建立模型
2-3-1 模型是什么
2-3-2 模型的精確度
2-3-3 模型的驗證
2-4 模式評估
2-4-1 模式是什么
2-4-2 挖掘結(jié)果的評價和驗證
2-5 數(shù)據(jù)可視化和知識管理
2-5-1 可視化表示
2-5-2 知識管理
第3章 關(guān)聯(lián)規(guī)則
3-1 概述
3-1-1 啤酒和尿布問題
3-1-2 基本概念
3-2 關(guān)聯(lián)規(guī)則
3-2-1 概念分層
3-2-2 興趣度
3-2-3 數(shù)據(jù)庫中關(guān)聯(lián)規(guī)則的發(fā)現(xiàn)
3-3 關(guān)聯(lián)規(guī)則學(xué)習(xí)的Apriori算法
3-3-1 使用候選項集找頻繁項集
3-3-2 由頻繁項集產(chǎn)生關(guān)聯(lián)規(guī)則
3-4 挖掘關(guān)聯(lián)規(guī)則的多策略方法
3-4-1 多層關(guān)聯(lián)規(guī)則
3-4-2 多維關(guān)聯(lián)規(guī)則
第4章 決策樹
4-1 什么是決策樹
4-2 決策樹的原理
4-2-1 歸納學(xué)習(xí)
4-2-2 決策樹的表示
4-2-3 決策樹學(xué)習(xí)
4-2-4 ID3算法
4-2-5 樹剪枝
4-3 決策樹的應(yīng)用
4-3-1 規(guī)則提取
4-3-2 分類
4-4 決策樹的優(yōu)缺點
第5章 聚類分析
5-1 概述
5-1-1 什么是聚類分析
5-1-2 聚類分析的預(yù)備知識
5-1-3 聚類方法的分類
5-2 基于劃分的聚類算法
5-2-1 基于劃分的評價函數(shù)
5-2-2 k-平均方法
5-2-3 k-中心點方法
5-3 層次聚類
5-3-1 凝聚方法
5-3-2 分裂方法
5-4 孤立點分析
5-4-1 基于統(tǒng)計的孤立點檢測
5-4-2 基于距離的孤立點檢測
5-4-3 基于偏離的孤立點檢測
第6章 基于樣例的學(xué)習(xí)
6-1 概述
6-2 k-最近鄰算法
6-2-1 基本思想
6-2-2 k-最近鄰算法
6-2-3 距離加權(quán)最近鄰算法
6-3 基于樣例的推理
6-3-1 CBR過程
6-3-2 樣例的表示
6-3-3 相似性關(guān)系
6-3-4 樣例的修正和調(diào)整
第7章 貝葉斯學(xué)習(xí)
7-1 貝葉斯理論
7-1-1 貝葉斯理論的基本理念
7-1-2 貝葉斯定理
7-1-3 極大似然和最小誤差平方假設(shè)
7-2 相素貝葉斯分類
7-3 貝葉斯信念網(wǎng)絡(luò)
7-3-1 貝葉斯信念網(wǎng)絡(luò)的結(jié)構(gòu)
7-3-2 貝葉斯信念網(wǎng)絡(luò)的訓(xùn)練
7-4 貝葉斯分類的應(yīng)用
第8章 粗糙集
8-1 關(guān)于知識的觀點
8-2 粗糙集理論的知識發(fā)現(xiàn)
8-3 決策表的定義
8-4 數(shù)據(jù)離散化
8-5 決策規(guī)則的獲取
8-6 粗糙集的化簡
8-6-1 屬性的化簡
8-6-2 一致決策的化簡
8-6-3 屬性重要性試題
第9章 神經(jīng)網(wǎng)絡(luò)
9-1 什么是神經(jīng)網(wǎng)絡(luò)
9-2 神經(jīng)網(wǎng)絡(luò)的表示和學(xué)習(xí)
9-2-1 基本神經(jīng)元模型
9-2-2 基本的神經(jīng)網(wǎng)絡(luò)模型
9-2-3 感知器
9-2-4 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)
9-3 多層前饋神經(jīng)網(wǎng)絡(luò)
9-3-1 前饋神經(jīng)網(wǎng)絡(luò)模型和表征能力
9-3-2 后向傳播算法
9-3-3 后向傳播法則的推導(dǎo)
9-4 反饋式神經(jīng)網(wǎng)絡(luò)
9-4-1 離散型神經(jīng)網(wǎng)絡(luò)
9-4-2 連續(xù)型神經(jīng)網(wǎng)絡(luò)
9-5 神經(jīng)網(wǎng)絡(luò)的應(yīng)用之一——聚類
第10章 遺傳算法
10-1 遺傳算法概述
10-1-1 基本思想和術(shù)語
10-1-2 遺傳算法的基礎(chǔ)
10-1-3 遺傳算法的特點
10-2 基本遺傳算法
10-3 遺傳算法的實現(xiàn)技術(shù)
10-3-1 編碼方法
10-3-2 適應(yīng)性度量
10-3-3 選擇策略
10-3-4 交叉和變變異遺傳算子
10-4 遺傳算法的理論分析
10-4-1 模式定理
10-4-2 積木塊假設(shè)與欺騙問題
10-4-3 隱并行性
10-4-4 遺傳算法的收斂性分析
10-5 遺傳算法的應(yīng)用實例
第11章 統(tǒng)計分析
11-1 樣本和統(tǒng)計推理
11-1-1 通過概率分布和密度描述數(shù)據(jù)
11-1-2 置信區(qū)間的推導(dǎo)
11-2 回歸分析
11-2-1 具有線性結(jié)構(gòu)的回歸模型
11-2-2 最小二乘法擬合
11-2-3 多元線性回歸
11-2-4 非線性回歸數(shù)據(jù)分析
11-3 及成分分析
11-3-1 高維數(shù)據(jù)綜合簡化的思想和原則
11-3-2 主成分分析的算法推導(dǎo)
第12章 文本和Web挖掘
12-1 概述
12-1-1 文本挖掘的任務(wù)
12-1-2 Web挖掘的特點
12-1-3 Web挖掘的任務(wù)
12-2 文本挖掘技術(shù)
12-2-1 文本的向量空間表示
12-2-2 文本特征的提取
12-2-3 文本信息挖掘系統(tǒng)
12-3 Web數(shù)據(jù)挖掘技術(shù)
12-3-1 Web結(jié)構(gòu)挖掘
12-3-2 Web使用記錄的挖掘
12-3-3 Web內(nèi)容挖掘
12-3-4 個人偏好建模
12-4 文本和Web挖掘的應(yīng)用
12-4-1 文檔分類
12-4-2 自動推薦系統(tǒng)
第13章 數(shù)據(jù)挖掘的應(yīng)用和發(fā)展趨勢
13-1 空間數(shù)據(jù)挖掘
13-1-1 空間數(shù)據(jù)庫
13-1-2 空間數(shù)據(jù)挖掘發(fā)現(xiàn)的知識類型
13-1-3 空間數(shù)據(jù)挖掘方法
13-2 圖像檢索和挖掘
13-2-1 基于內(nèi)容的檢索
13-2-2 圖像數(shù)據(jù)庫挖掘
13-3 時間序列和序列檢索
13-3-1 序列模式分析
13-3-2 時間序列數(shù)據(jù)
13-3-3 趨勢分析
13-3-4 時序分析
13-4 隱私面臨的挑戰(zhàn)
第14章 商業(yè)智能解決方案實例分析
14-1 商業(yè)智能概述
14-1-1 傳統(tǒng)的信息系統(tǒng)的不足
14-1-2 什么是商業(yè)智能
14-2 商業(yè)智能系統(tǒng)的處理流程和框架
14-2-1 商業(yè)智能系統(tǒng)的處理流程
14-2-2 商業(yè)智能系統(tǒng)的框架
14-3 商業(yè)智能解決方案
14-3-1 概述
14-3-2 數(shù)據(jù)倉庫
14-3-3 數(shù)據(jù)倉庫管理
14-3-4 數(shù)據(jù)清洗和轉(zhuǎn)換
14-3-5 在線分析
14-3-6 前端工具
14-3-7 數(shù)據(jù)挖掘
附錄A IBM DB2 Intelligent Miner簡介
A-1 DB2 Intelligent Miner功能簡介
A-2 DB2 Intelligent Miner for Data使用簡介
A-2-1 業(yè)務(wù)定義
A-2-2 定義數(shù)據(jù)對象
A-3 創(chuàng)建模型
A-4 模型應(yīng)用
A-5 創(chuàng)建統(tǒng)計函數(shù)
A-6 解釋挖掘結(jié)果
參考文獻