數(shù)據(jù)挖掘理論與技術

第1章 緒論
1.1 數(shù)據(jù)挖掘產(chǎn)生的背景
1.1.1 技術背景
1.1.2 理論基礎
1.1.3 數(shù)據(jù)挖掘相關概念
1.2 數(shù)據(jù)挖掘知識基礎
1.2.1 基本概念及特點
1.2.2 數(shù)據(jù)集
1.2.3 功能與分類
1.2.4 任務與過程
1.2.5 方法與步驟
1.3 數(shù)據(jù)挖掘簡史與現(xiàn)狀
1.3.1 簡史
1.3.2 現(xiàn)狀
1.4 數(shù)據(jù)挖掘的技術工具
1.4.1 技術工具
1.4.2 工具選擇
1.5 數(shù)據(jù)挖掘的應用
1.5.1 典型應用
1.5.2 高級應用
1.6 技術難點與發(fā)展趨勢
1.6.1 常見誤解
1.6.2 技術難點
1.6.3 發(fā)展趨勢
1.7 本章小結
思考題
第2章 概率統(tǒng)計理論基礎
2.1 引言
2.2 概率統(tǒng)計知識基礎
2.3 隨機變量的分布函數(shù)
2.3.1 多維隨機變量
2.3.2 條件分布
2.4 統(tǒng)計推理
2.5 參數(shù)估計
2.5.1 估計理論
2.5.2 最大似然估計
2.5.3 貝葉斯估計
2.6 假設檢驗
2.7 數(shù)據(jù)采樣方法
2.8 本章小結
思考題
第3章 數(shù)據(jù)挖掘效果評價
3.1 引言
3.2 模型的評分函數(shù)
3.2.1 基本概念
3.2.2 預測模型的評分函數(shù)
3.2.3 描述模型的評分函數(shù)
3.3 模型的比較與驗證
3.3.1 模型比較
3.3.2 模型驗證
3.4 模型的性能提升
3.4.1 增量學習
3.4.2 半監(jiān)督學習
3.4.3 遷移學習
3.4.4 反模型
3.4.5 Boosting
3.5 模型的建立與使用
3.5.1 模型的建立
3.5.2 模型的理解
3.5.3 模型的使用
3.6 本章小結
思考題
第4章 數(shù)據(jù)預處理
4.1 引言
4.2 數(shù)據(jù)預處理知識基礎
4.3 數(shù)據(jù)清理
4.3.1 遺漏值
4.3.2 噪聲數(shù)據(jù)
4.3.3 不一致數(shù)據(jù)
4.4 數(shù)據(jù)集成
4.5 數(shù)據(jù)轉(zhuǎn)換
4.6 數(shù)據(jù)規(guī)約
4.6.1 數(shù)據(jù)方聚集
4.6.2 維歸約
4.6.3 數(shù)據(jù)壓縮
4.6.4 數(shù)值歸約
4.7 數(shù)據(jù)離散
4.8 應用實例分析
4.8.1 腹圍空缺數(shù)值歸一化彌補方法
4.8.2 Ⅱ型糖尿病數(shù)據(jù)預處理
4.9 本章小結
思考題
第5章 數(shù)據(jù)倉庫
5.1 引言
5.2 數(shù)據(jù)倉庫知識基礎
5.2.1 基本概念
5.2.2 基本作用
5.2.3 與數(shù)據(jù)挖據(jù)的關系
5.3 數(shù)據(jù)倉庫中的模型
5.3.1 概念模型
5.3.2 物理模型
5.3.3 元數(shù)據(jù)模型
5.3.4 多維數(shù)據(jù)模型
5.4 數(shù)據(jù)倉庫系統(tǒng)結構
5.4.1 組成
5.4.2 數(shù)據(jù)倉庫概念結構
5.4.3 數(shù)據(jù)倉庫結構類型
5.5 OLAP分析
5.5.1 知識基礎
5.5.2 多維分析
5.5.3 OLAP結構
5.5.4 多維數(shù)據(jù)庫
5.5.5 關系數(shù)據(jù)庫
5.6 本章小結
思考題
第6章 數(shù)據(jù)分類分析
6.1 引言
6.2 分類分析知識基礎
6.2.1 基本概念
6.2.2 基本作用
6.2.3 評價方法
6.3 主要技術方法及分析
6.4 貝葉斯分類
6.4.1 樸素貝葉斯分類法
6.4.2 貝葉斯網(wǎng)絡
6.4.3 動態(tài)貝葉斯網(wǎng)絡
6.5 基于決策樹的算法
6.5.1 基本思想
6.5.2 ID3算法
6.5.3 C4.5算法
6.5.4 SLIQ算法
6.5.5 SPRINT算法
6.6 神經(jīng)網(wǎng)絡與遺傳算法
6.6.1 神經(jīng)網(wǎng)絡
6.6.2 遺傳算法
6.7 支持向量機
6.8 粗糙集與模糊集
6.8.1 粗糙集
6.8.2 模糊集
6.9 最大熵模型
6.10 應用實例分析
6.10.1 漢語句義類型識別
6.10.2 特定音頻事件識別
6.11 本章小結
思考題
第7章 數(shù)據(jù)聚類分析
7.1 引言
7.2 聚類分析知識基礎
7.2.1 基本概念
7.2.2 基本作用
7.2.3 近鄰測度
7.2.4 評價方法
7.3 主要技術方法及分析
7.4 基于劃分的算法
7.4.1 基本思想
7.4.2 K-means算法
7.4.3 K-medoids算法
7.4.4 CLARANS算法
7.5 基于層次的算法
7.5.1 基本思想
7.5.2 BIRCH算法
7.5.3 CURE算法
7.5.4 ROCK算法
7.5.5 Chameleon算法
7.6 基于密度的算法
7.6.1 基本思想
7.6.2 DBSCAN算法
7.6.3 OPTICS算法
7.6.4 DENCLUE算法
7.7 基于網(wǎng)格的算法
7.7.1 基本思想
7.7.2 STING算法
7.7.3 Wave Cluster算法
7.7.4 CLIQUE算法
7.8 基于模型的算法
7.8.1 基本思想
7.8.2 EM算法
7.8.3 COBWEB算法
7.8.4 自組織神經(jīng)網(wǎng)絡
7.9 應用實例分析
7.9.1 鏡頭聚類
7.9.2 文本聚類
7.10 本章小結
思考題
第8章 關聯(lián)規(guī)則發(fā)現(xiàn)
8.1 引言
8.2 關聯(lián)規(guī)則發(fā)現(xiàn)知識基礎
8.2.1 基本概念
8.2.2 評價方法
8.2.3 注意事項
8.3 主要技術方法及分析
8.4 關聯(lián)規(guī)則的基本算法
8.4.1 Apriori算法
8.4.2 FP-樹頻集算法
8.4.3 CloSpan
8.5 并行和分布式關聯(lián)規(guī)則算法
8.5.1 并行關聯(lián)規(guī)則
8.5.2 分布式關聯(lián)規(guī)則
8.6 多層次關聯(lián)規(guī)則算法
8.7 數(shù)量關聯(lián)規(guī)則算法
8.8 應用實例分析——蠕蟲檢測
8.9 本章小結
思考題
第9章 統(tǒng)計預測方法
9.1 引言
9.2 統(tǒng)計預測方法知識基礎
9.3 主要技術方法及分析
9.4 回歸預測方法
9.4.1 線性和多元回歸
9.4.2 非線性回歸
9.5 Box-Jenkins回歸
9.6 隱馬模型
9.6.1 隱馬爾可夫模型
9.6.2 隱半馬爾可夫模型
9.7 應用實例分析
9.7.1 Ⅱ型糖尿病發(fā)病危險狀態(tài)預測
9.7.2 關鍵人物判定
9.8 本章小結
思考題
參考文獻