出版說明
前言
第1章 概述
1.1 從數(shù)據(jù)中獲取知識(shí)
1.2 數(shù)據(jù)挖掘的基本概念
1.3 數(shù)據(jù)挖掘的發(fā)展歷程
1.4 數(shù)據(jù)挖掘的功能和數(shù)據(jù)挖掘系統(tǒng)的分類
1.4.1 分類與回歸
1.4.2 聚類分析
1.4.3 關(guān)聯(lián)規(guī)則
1.4.4 時(shí)序模式
1.4.5 異常檢測
1.4.6 數(shù)據(jù)挖掘系統(tǒng)的分類
1.5 數(shù)據(jù)挖掘的過程
1.5.1 數(shù)據(jù)挖掘的一般流程
1.5.2 跨行業(yè)數(shù)據(jù)挖掘標(biāo)準(zhǔn)過程
1.6 數(shù)據(jù)挖掘與其他學(xué)科的關(guān)系
1.6.1 數(shù)據(jù)挖掘與數(shù)據(jù)庫知識(shí)發(fā)現(xiàn)
1.6.2 數(shù)據(jù)挖掘與數(shù)據(jù)庫查詢
1.6.3 數(shù)據(jù)挖掘與統(tǒng)計(jì)分析
1.6.4 數(shù)據(jù)挖掘與數(shù)據(jù)倉庫
1.6.5 數(shù)據(jù)挖掘與聯(lián)機(jī)分析處理
1.6.6 數(shù)據(jù)挖掘與人工智能、專家系統(tǒng)、機(jī)器學(xué)習(xí)
1.7 數(shù)據(jù)挖掘的應(yīng)用和發(fā)展趨勢(shì)
1.7.1 商業(yè)的數(shù)據(jù)挖掘
1.7.2 金融業(yè)的數(shù)據(jù)挖掘
1.7.3 欺詐偵測中的數(shù)據(jù)挖掘
1.7.4 DNA數(shù)據(jù)分析中的數(shù)據(jù)挖掘
1.7.5 電信業(yè)中的數(shù)據(jù)挖掘
1.7.6 科學(xué)和統(tǒng)計(jì)數(shù)據(jù)挖掘
1.7.7 數(shù)據(jù)挖掘系統(tǒng)和軟件
1.7.8 數(shù)據(jù)挖掘的發(fā)展趨勢(shì)
1.8 小結(jié)
1.9 習(xí)題


第2章 數(shù)據(jù)存儲(chǔ)
2.1 關(guān)系數(shù)據(jù)集
2.2 數(shù)據(jù)倉庫
2.2.1 數(shù)據(jù)倉庫的概念和特點(diǎn)
2.2.2 數(shù)據(jù)倉庫的數(shù)據(jù)組織
2.2.3 數(shù)據(jù)倉庫的關(guān)鍵技術(shù)
2.2.4 數(shù)據(jù)倉庫與數(shù)據(jù)挖掘的關(guān)系
2.3 NoSQL數(shù)據(jù)庫
2.3.1 NoSQL概念與理論
2.3.2 NoSQL數(shù)據(jù)模型
2.3.3 NoSQL與關(guān)系數(shù)據(jù)庫
2.4 分布式文件系統(tǒng)
2.4.1 分布式文件系統(tǒng)的歷史
2.4.2 分布式文件系統(tǒng)的體系結(jié)構(gòu)
2.4.3 谷歌文件系統(tǒng)（GoogleFS）
2.4.4 Hadoop分布式文件系統(tǒng)（HDFS）
2.5 小結(jié)
2.6 習(xí)題


第3章 數(shù)據(jù)預(yù)處理
3.1 數(shù)據(jù)預(yù)處理的必要性
3.2 數(shù)據(jù)清理
3.2.1 缺失數(shù)據(jù)處理方法
3.2.2 噪聲數(shù)據(jù)平滑技術(shù)
3.2.3 時(shí)間相關(guān)數(shù)據(jù)的處理
3.3 數(shù)據(jù)集成
3.3.1 實(shí)體識(shí)別與匹配
3.3.2 冗余和相關(guān)分析
3.3.3 元組重復(fù)數(shù)據(jù)的檢測
3.3.4 沖突數(shù)據(jù)的檢測與處理
3.4 數(shù)據(jù)轉(zhuǎn)換
3.4.1 數(shù)據(jù)標(biāo)準(zhǔn)化
3.4.2 數(shù)據(jù)泛化
3.5 數(shù)據(jù)歸約
3.5.1 數(shù)據(jù)立方體聚集
3.5.2 維度歸約
3.5.3 數(shù)據(jù)壓縮
3.5.4 數(shù)值歸約
3.6 數(shù)據(jù)離散化
3.6.1 分箱方法
3.6.2 直方圖分析
3.6.3 基于熵的離散化
3.6.4 ChiMerge技術(shù)
3.6.5 人工劃分分段
3.7 特征提取、選擇和構(gòu)造
3.7.1 特征提取
3.7.2 特征選擇
3.7.3 特征構(gòu)造
3.8 小結(jié)
3.9 習(xí)題


第4章 數(shù)據(jù)相似度與異常檢測
4.1 相似度度量
4.1.1 對(duì)象與屬性類型
4.1.2 相似度度量的定義
4.1.3 由距離度量變換而來的相似度度量
4.1.4 屬性之間的相似度度量
4.1.5 對(duì)象之間的相似度度量
4.2 傳統(tǒng)度量方法
4.2.1 二值屬性的相似度度量
4.2.2 歐氏距離
4.2.3 余弦距離
4.2.4 Mahalanobis距離
4.2.5 Jaccard距離
4.2.6 海明距離
4.3 大數(shù)據(jù)度量方法
4.3.1 文檔的Shingling
4.3.2 局部敏感散列算法
4.4 異常檢測
4.4.1 基于統(tǒng)計(jì)的檢測方法
4.4.2 基于距離的檢測方法
4.4.3 基于密度的檢測方法
4.4.4 基于聚類的檢測方法
4.4.5 基于分類的檢測方法
4.4.6 高維數(shù)據(jù)中的異常點(diǎn)檢測
4.5 小結(jié)
4.6 習(xí)題


第5章 數(shù)據(jù)分類和預(yù)測
5.1 分類和預(yù)測的基本概念
5.1.1 準(zhǔn)備數(shù)據(jù)
5.1.2 分類和預(yù)測方法的評(píng)估標(biāo)準(zhǔn)
5.2 決策樹分類
5.2.1 ID3算法生成決策樹
5.2.2 C4.5 算法生成決策樹
5.2.3 CART算法和Gini指標(biāo)
5.2.4 決策樹歸納的可擴(kuò)展性
5.2.5 數(shù)據(jù)倉庫與決策樹
5.2.6 決策樹和決策規(guī)則的局限性
5.3 貝葉斯分類
5.3.1 貝葉斯定理
5.3.2 樸素貝葉斯分類
5.3.3 貝葉斯信念網(wǎng)絡(luò)
5.3.4 訓(xùn)練貝葉斯信念網(wǎng)絡(luò)
5.4 神經(jīng)網(wǎng)絡(luò)
5.4.1 多層前饋神經(jīng)網(wǎng)絡(luò)
5.4.2 定義神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)
5.4.3 后向傳播
5.4.4 后向傳播和可理解性
5.5 其他分類方法
5.5.1 基于關(guān)聯(lián)的分類方法
5.5.2 K-最近鄰分類
5.5.3 基于案例推理
5.5.4 遺傳算法
5.5.5 粗糙集方法
5.5.6 模糊集合方法
5.6 預(yù)測算法
5.6.1 預(yù)測算法分類
5.6.2 預(yù)測算法選擇
5.6.3 線性和多元回歸
5.6.4 非線性回歸
5.6.5 其他回歸模型
5.7 分類預(yù)測應(yīng)用實(shí)例
5.7.1 樣本選取
5.7.2 建立預(yù)測模型
5.7.3 模型評(píng)估
5.7.4 實(shí)用價(jià)值
5.8 小結(jié)
5.9 習(xí)題


第6章 數(shù)據(jù)聚類分析
6.1 基本概念
6.1.1 對(duì)聚類分析的要求
6.1.2 聚類分析方法分類
6.2 劃分聚類算法
6.2.1 K-means算法（基于質(zhì)心的技術(shù)）
6.2.2 K-medoids算法（基于代表對(duì)象的技術(shù)）
6.3 層次聚類算法
6.3.1 BIRCH算法
6.3.2 CURE算法
6.3.3 ROCK算法
6.3.4 Chameleon算法
6.4 基于密度的聚類算法
6.4.1 DBSCAN算法
6.4.2 OPTICS算法
6.4.3 DENCLUE算法
6.5 基于網(wǎng)格的聚類算法
6.5.1 STING算法
6.5.2 WaveCluster算法
6.5.3 CLIQUE算法
6.6 基于模型的聚類算法
6.6.1 EM算法
6.6.2 COBWEB算法
6.6.3 SOM算法
6.7 聚類評(píng)估
6.7.1 估計(jì)聚類趨勢(shì)
6.7.2 確定簇?cái)?shù)
6.7.3 測定聚類質(zhì)量
6.8 聚類分析應(yīng)用實(shí)例
6.8.1 問題理解與提出
6.8.2 數(shù)據(jù)收集與選擇
6.8.3 數(shù)據(jù)預(yù)處理
6.8.4 應(yīng)用K-means聚類算法建模
6.9 小結(jié)
6.10 習(xí)題


第7章 數(shù)據(jù)關(guān)聯(lián)分析
7.1 數(shù)據(jù)關(guān)聯(lián)分析的基本概念
7.2 頻繁項(xiàng)集產(chǎn)生
7.2.1 先驗(yàn)原理
7.2.2 Apriori算法的頻繁項(xiàng)集產(chǎn)生
7.2.3 支持度計(jì)數(shù)
7.2.4 計(jì)算復(fù)雜度
7.3 規(guī)則產(chǎn)生
7.3.1 基本步驟
7.3.2 Apriori算法中規(guī)則的產(chǎn)生
7.4 頻繁項(xiàng)集的緊湊表示
7.4.1 最大頻繁項(xiàng)集
7.4.2 閉頻繁項(xiàng)集
7.5 產(chǎn)生頻繁項(xiàng)集的其他方法
7.5.1 項(xiàng)集格遍歷
7.5.2 事務(wù)數(shù)據(jù)集的表示
7.6 FP-Growth算法
7.6.1 FP樹構(gòu)造
7.6.2 頻繁項(xiàng)集產(chǎn)生
7.7 關(guān)聯(lián)評(píng)估
7.7.1 興趣度客觀度量
7.7.2 多個(gè)二元變量的度量
7.7.3 傾斜支持度分布的影響
7.8 關(guān)聯(lián)分析應(yīng)用實(shí)例
7.8.1 關(guān)聯(lián)分析學(xué)生成績
7.8.2 數(shù)據(jù)處理
7.8.3 算法的應(yīng)用
7.8.4 挖掘結(jié)果的分析
7.9 小結(jié)
7.10 習(xí)題


第8章 性能評(píng)估和提升
8.1 評(píng)分函數(shù)
8.1.1 預(yù)測性評(píng)分函數(shù)
8.1.2 描述性評(píng)分函數(shù)
8.1.3 一致性評(píng)價(jià)
8.2 成本評(píng)價(jià)
8.2.1 成本評(píng)價(jià)曲線
8.2.2 Cost-Sensitive學(xué)習(xí)
8.3 復(fù)雜度評(píng)估
8.4 驗(yàn)證
8.4.1 交叉驗(yàn)證
8.4.2 Bootstrap
8.4.3 模型比較
8.5 性能提升
8.5.1 效率提升
8.5.2 準(zhǔn)確率提升
8.6 小結(jié)
8.7 習(xí)題


第9章 復(fù)雜數(shù)據(jù)挖掘
9.1 文本數(shù)據(jù)挖掘
9.1.1 文本數(shù)據(jù)預(yù)處理
9.1.2 文本數(shù)據(jù)挖掘技術(shù)
9.1.3 文本數(shù)據(jù)挖掘的應(yīng)用
9.2 圖像數(shù)據(jù)挖掘
9.2.1 圖像數(shù)據(jù)的特點(diǎn)和挖掘技術(shù)現(xiàn)狀
9.2.2 圖像數(shù)據(jù)預(yù)處理
9.2.3 圖像數(shù)據(jù)挖掘技術(shù)
9.2.4 圖像數(shù)據(jù)挖掘的應(yīng)用
9.3 語音識(shí)別挖掘
9.3.1 語音數(shù)據(jù)特點(diǎn)及挖掘技術(shù)現(xiàn)狀
9.3.2 語音信號(hào)預(yù)處理
9.3.3 語音識(shí)別技術(shù)
9.3.4 語音識(shí)別技術(shù)的應(yīng)用
9.4 視頻數(shù)據(jù)挖掘
9.4.1 視頻數(shù)據(jù)特點(diǎn)及挖掘技術(shù)現(xiàn)狀
9.4.2 視頻數(shù)據(jù)預(yù)處理
9.4.3 視頻數(shù)據(jù)挖掘技術(shù)
9.4.4 視頻數(shù)據(jù)挖掘的應(yīng)用
9.5 網(wǎng)絡(luò)拓?fù)渫诰?br /> 9.5.1 拓?fù)浒l(fā)現(xiàn)的技術(shù)現(xiàn)狀及網(wǎng)絡(luò)數(shù)據(jù)的采集
9.5.2 基于挖掘技術(shù)的網(wǎng)絡(luò)拓?fù)浒l(fā)現(xiàn)
9.6 網(wǎng)絡(luò)輿情挖掘
9.6.1 輿情研究發(fā)展現(xiàn)狀及輿情特點(diǎn)
9.6.2 網(wǎng)絡(luò)輿情數(shù)據(jù)預(yù)處理
9.6.3 網(wǎng)絡(luò)輿情挖掘技術(shù)
9.7 推薦系統(tǒng)
9.7.1 推薦系統(tǒng)發(fā)展現(xiàn)狀
9.7.2 相關(guān)技術(shù)
9.7.3 推薦系統(tǒng)
9.8 空間數(shù)據(jù)挖掘
9.8.1 空間數(shù)據(jù)的特點(diǎn)
9.8.2 空間數(shù)據(jù)預(yù)處理
9.8.3 空間數(shù)據(jù)挖掘技術(shù)
9.8.4 空間數(shù)據(jù)挖掘工具
9.9 數(shù)據(jù)流挖掘
9.9.1 數(shù)據(jù)流的特點(diǎn)
9.9.2 數(shù)據(jù)流預(yù)處理
9.9.3 數(shù)據(jù)流挖掘技術(shù)
9.9.4 數(shù)據(jù)流挖掘技術(shù)的應(yīng)用
9.10 小結(jié)
9.11 習(xí)題
參考文獻(xiàn)