數(shù)據(jù)挖掘：方法與應(yīng)用

定　價：￥23.00

作　者：	呂曉玲，謝邦昌編著
出版社：	中國人民大學(xué)出版社
叢編項：	數(shù)據(jù)分析系列教材
標(biāo)　簽：	數(shù)據(jù)倉庫與數(shù)據(jù)挖掘

購買這本書可以去

ISBN：	9787300099705	出版時間：	2009-01-01	包裝：	平裝
開本：	16開	頁數(shù)：	238	字?jǐn)?shù)：

內(nèi)容簡介

　　隨著信息技術(shù)的飛速發(fā)展，數(shù)據(jù)的產(chǎn)生和存儲達(dá)到了空前繁榮的階段。如何從海量的數(shù)據(jù)中提取潛在的有用信息，給傳統(tǒng)的數(shù)據(jù)處理技術(shù)提出了嚴(yán)峻的考驗，數(shù)據(jù)挖掘方法應(yīng)運(yùn)而生。數(shù)據(jù)挖掘是一個多學(xué)科的交叉研究領(lǐng)域，不僅大學(xué)里的學(xué)術(shù)人員在研究它，商業(yè)公司的專家和技術(shù)人員也在密切地關(guān)注它和使用它；它不僅涉及人工智能領(lǐng)域以及統(tǒng)計學(xué)的應(yīng)用，而且涉及數(shù)據(jù)庫的管理和使用。從技術(shù)上來講，數(shù)據(jù)挖掘是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的實際應(yīng)用數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的，但又潛在有用的信息和知識的過程。從商業(yè)應(yīng)用來講，數(shù)據(jù)挖掘是一種新的商業(yè)信息處理技術(shù)，其主要特點(diǎn)是對商業(yè)數(shù)據(jù)庫中的大量業(yè)務(wù)數(shù)據(jù)進(jìn)行抽取、轉(zhuǎn)換、分析和其他模式化的處理，從中提取輔助商業(yè)決策的關(guān)鍵性數(shù)據(jù)。本書第1章對數(shù)據(jù)挖掘進(jìn)行了概述，包括數(shù)據(jù)挖掘的定義、重要性、功能、步驟和常用方法等。第2章和第3章介紹了兩種數(shù)據(jù)挖掘中常用的指導(dǎo)的學(xué)習(xí)算法、關(guān)聯(lián)規(guī)則和聚類分析，它們處理的數(shù)據(jù)的特點(diǎn)是沒有獨(dú)立的需要預(yù)測或分類的變量，而只是試圖從數(shù)據(jù)中發(fā)現(xiàn)一些固有的模式。關(guān)聯(lián)規(guī)則就是要發(fā)現(xiàn)兩個或多個事物之間的聯(lián)系；聚類分析就是要把數(shù)據(jù)中具有相似性質(zhì)的放在一類，而不同類之間盡量做到有較大的不同。第4章和第5章介紹了兩種數(shù)據(jù)挖掘中常用的指導(dǎo)的學(xué)習(xí)算法、決策樹和神經(jīng)網(wǎng)絡(luò)。它們處理的數(shù)據(jù)含有獨(dú)立的需要預(yù)測或分類的變量，它們的目的就是尋找一些自變量的函數(shù)或算法對數(shù)據(jù)進(jìn)行準(zhǔn)確的預(yù)測或分類。決策樹方法在對數(shù)據(jù)處理的過程中，將數(shù)據(jù)按照樹狀結(jié)構(gòu)分成若干分枝形成決策規(guī)則；神經(jīng)網(wǎng)絡(luò)在一定程度上模仿了人腦神經(jīng)系統(tǒng)處理信息，存儲以及檢索的功能，它是一個非線性的映射系統(tǒng)。第6章和第7章介紹了兩種數(shù)據(jù)挖掘中常用的傳統(tǒng)統(tǒng)計的方法，回歸分析和時間序列?；貧w分析是尋找自變量和因變量之間關(guān)系的預(yù)測模型，包括線性回歸和Logistic回歸；時間序列分析，顧名思義，是處理以時間為序的觀測數(shù)據(jù)的方法。本書的一個特點(diǎn)是不僅對上述方法作了理論的闡述，還結(jié)合案例分析講述了如何應(yīng)用STATISTICA軟件實現(xiàn)上述方法對數(shù)據(jù)的分析，是一本理論和實踐相結(jié)合的理論性和應(yīng)用性都很強(qiáng)的書。

作者簡介

暫缺《數(shù)據(jù)挖掘：方法與應(yīng)用》作者簡介

圖書目錄

第1章數(shù)據(jù)挖掘概述
1.1 數(shù)據(jù)挖掘定義
1.1.1 數(shù)據(jù)挖掘的技術(shù)定義
1.1.2 數(shù)據(jù)挖掘的商業(yè)定義
1.2 數(shù)據(jù)挖掘的重要性及意義
1.3 數(shù)據(jù)挖掘功能
1.4 數(shù)據(jù)挖掘步驟和標(biāo)準(zhǔn)
1.4.1 數(shù)據(jù)挖掘步驟
1.4.2 數(shù)據(jù)挖掘需要的人員
1.5 數(shù)據(jù)挖掘常用方法
1.5.1 數(shù)據(jù)挖掘的對象
1.5.2 數(shù)據(jù)挖掘的常用方法
練習(xí)題
第2章關(guān)聯(lián)規(guī)則
2.1 關(guān)聯(lián)規(guī)則介紹
2.2　關(guān)聯(lián)規(guī)則種類
2.2.1 一般意義上的關(guān)聯(lián)規(guī)則
2.2.2 帶有時間性的序列關(guān)聯(lián)分析
2.3 關(guān)聯(lián)規(guī)則算法
　　2.3.1 普通的關(guān)聯(lián)規(guī)則算法
2.3.2 序列關(guān)聯(lián)規(guī)則算法
2.4 S7ATISTICA中的關(guān)聯(lián)規(guī)則
2.5 案例分析
練習(xí)題
第3章聚類分析
3.1 聚類分析介紹
3.2 距離定義
3.2.1 點(diǎn)之間的距離
3.2.2 類之間的距離
3.3 聚類分析算法
3.3.1 層次聚類
3.3.2 基于劃分的聚類
3.3.3 EM聚類
3.4 STATISTICA中的聚類分析
3.5 案例分析
練習(xí)題
第4章決策樹建模
4.1 決策樹介紹
4.1.1 決策樹的基本知識
4.1.2 決策樹的應(yīng)用和發(fā)展趨勢
4.2 樹的建模過程
4.2.1 數(shù)據(jù)要求
4.2.2 樹的生長
4.2.3 有效性和風(fēng)險性
4.2.4 屬性選擇
4.3 S7ATISTICA中的決策樹
4.4 案例分析
練習(xí)題
第5章神經(jīng)網(wǎng)絡(luò)建模
5.1 神經(jīng)網(wǎng)絡(luò)介紹
5.2 神經(jīng)網(wǎng)絡(luò)的基本概念和原理
5.2.1 基本組成單元
5.2.2 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程
5.2.3 基本的神經(jīng)網(wǎng)絡(luò)模型
5.3 STATISTICA中的神經(jīng)網(wǎng)絡(luò)模型
5.4 案例分析
練習(xí)題
第6章回歸分析
6.1 回歸分析介紹
6.2 線性回歸模型
6.2.1 模型的建立及未知參數(shù)的估計
6.2.2 回歸方程與回歸參數(shù)的檢驗及變量的選擇問題
6.2.3 回歸診斷和決定系數(shù)
6.3 1ogistic回歸模型
6.3.1 1ogistic回歸模型的建立
6.3.2 1ogistic回歸模型的參數(shù)估計
6.3.3 1ogistic回歸模型的檢驗及診斷
6.3.4 1ogistic回歸模型結(jié)果的解釋
6.3.5 1ogistic回歸模型的擴(kuò)展
6.4 STATISTICA中的回歸
6.5 案例分析
練習(xí)題
第7章時間序列
7.1 時間序列介紹
7.2 時間序列算法
7.2.1 傳統(tǒng)時間序列分析
7.2.2 ARIMA模型
7.3 STATISTICA中的時間序列
7.4 案例分析
練習(xí)題
參考文獻(xiàn)