數(shù)據(jù)挖掘算法與應用

第1章 概論
1.1 數(shù)據(jù)挖掘的定義和范疇
1.2 數(shù)據(jù)及其度量
1.3 數(shù)據(jù)挖掘的過程
1.4 數(shù)據(jù)挖掘的任務和建模
1.5 數(shù)據(jù)挖掘的算法
1.6 聚類分析
1.7 分類
1.8 主模式提取和孤立點挖掘
1.9 數(shù)據(jù)挖掘的應用
1.10 數(shù)據(jù)挖掘的軟件及開發(fā)商
1.11 展望
第1篇 數(shù)據(jù)挖掘算法
第2章 決策樹算法
2.1 決策樹基本算法
2.2 ID3算法
2.3 C4.5算法
2.4 CART、算法
2.5 SLIQ算法
2.6 SPRINT算法
第3章 神經(jīng)網(wǎng)絡算法
3.1 概述
3.2 人工神經(jīng)元和單層神經(jīng)網(wǎng)絡
3.3 多層感知器和反向傳播算法
3.4 多層神經(jīng)網(wǎng)絡算法分析
3.5 改進反向傳播的一些實用技術
3.6 徑向基函數(shù)網(wǎng)絡
3.7 競爭學習和側抑制
3.8 自組織特征圖
3.9 反饋網(wǎng)絡
3.10 隨機算法和Boltzmann網(wǎng)絡
3.11 神經(jīng)網(wǎng)絡在金融市場中的應用
第4章 基因算法
4.1 基因算法的基本原理
4.2 基因算法分析
4.3 基因算法應用舉例
4.4 小結
第5章 基本統(tǒng)計分析方法
5.1 正態(tài)分布參數(shù)的假設檢驗和區(qū)間估計
5.2 兩組數(shù)據(jù)的比較
5.3 二維數(shù)據(jù)檢驗
5.4 回歸分析
5.5 方差分析
5.6 互聯(lián)網(wǎng)股市信息強度的統(tǒng)計分類及其在股價波動上的預測
第6章 貝葉斯網(wǎng)絡方法
6.1 主觀概率
6.2 貝葉斯定理、先驗和后驗
6.3 beta分布和Dirichlet分布
6.4 貝葉斯網(wǎng)絡
6.5 貝葉斯網(wǎng)絡學習
6.6 不完全數(shù)據(jù)情形下的學習
6.7 貝葉斯網(wǎng)絡有監(jiān)督學習
6.8 貝葉斯網(wǎng)絡無監(jiān)督學習
第7章 支持向量機
7.1 概述
7.2 線性可分問題的SVM方法
7.3 線性不可分問題的SVM方法
7.4 核函數(shù)
7.5 libSVM仿真平臺
7.6 支持向量機方法在識別偽造信用卡中的應用
第8章 其他數(shù)據(jù)挖掘方法
8.1 主成分分析
8.2 近鄰法
8.3 期望值最大化方法
8.4 隱Markov模型
8.5 K-均值聚類
8.6 K-中心點算法
8.7 關聯(lián)規(guī)則挖掘
第2篇 數(shù)據(jù)挖掘相關技術
第9章 數(shù)據(jù)倉庫
9.1 概述
9.2 數(shù)據(jù)倉庫設計
9.3 聯(lián)機分析處理
9.4 數(shù)據(jù)倉庫應用舉例
第10章 模糊處理技術
10.1 特征函數(shù)和隸屬度函數(shù)
10.2 λ截集
10.3 模型識別
10.4 模糊關系
10.5 模糊聚類
第11章 粗糙集技術
11.1 概述
11.2 不可分辨關系
11.3 下近似和上近似
11.4 近似精度、粗糙集隸屬函數(shù)
11.5 模糊集與粗糙集
11.6 粗糙集技術在數(shù)據(jù)挖掘中的應用
第12章 目標優(yōu)化技術
12.1 概述
12.2 無約束非線性規(guī)劃
12.3 有約束非線性規(guī)劃
12.4 大規(guī)模優(yōu)化問題的分解算法
第3篇 數(shù)據(jù)挖掘應用
第13章 互聯(lián)網(wǎng)數(shù)據(jù)挖掘
13.1 互聯(lián)網(wǎng)數(shù)據(jù)挖掘的分類和特點
13.2 互聯(lián)網(wǎng)金融數(shù)據(jù)挖掘
13.3 互聯(lián)網(wǎng)金融數(shù)據(jù)挖掘和金融市場的關系
第14章 互聯(lián)網(wǎng)金融信息搜索引擎
14.1 概述
14.2 金融定點收割引擎
14.3 金融爬蟲搜索引擎
14.4 金融信息搜索引擎應用實例
14.5 搜索引擎定價
第15章 互聯(lián)網(wǎng)信息流時間序列挖掘
15.1 金融信息流概述
15.2 時間序列的統(tǒng)計模型
15.3 時間序列模式的挖掘
15.4 互聯(lián)網(wǎng)金融信息流時間序列
15.5 互聯(lián)網(wǎng)金融信息流強度時間序列挖掘問題
參考文獻