数据挖掘原理与技术
2004-4-1
电子工业出版社
张云涛,龚玲
238
396800
无
数据挖掘将数据转化为知识，是数据管理、信息处理领域研究、开发和应用的最活跃的分支之一。本书全面地论述了数据挖掘领域的基本概念、基本原理和基本方法，内容包括数据挖掘领域的经典理论和前沿发展。全书共分14章，并含有1个附录。全面系统地介绍了数据挖掘的概念和过程、数据预处理技术；深入地叙述了各种数据挖掘技术，包括关联规则、决策树、聚类、基于样例的学习、贝叶斯学习、粗糙集、神经网络、遗传算法、统计分析；并讨论了数据挖掘的典型应用，如分类、文本和Web挖掘，以及数据挖掘的应用和发展趋势；并在第14章中给出了一个具体的商业智能解决方案实例。
通过本书的学习，读者可以对数据挖掘的整体结构、概念、原理、技术和发展有深入的了解和认识。
本书既可以作为相关专业的高年级本科生和研究生教材，也可作为数据挖掘领域的研究者和开发者的参考书。
第1章 绪论 1-1 什么是数据挖掘 1-2 为何进行数据挖掘 1-3 数据挖掘和统计分析的关系 1-4 数据挖掘与数据仓库的关系 1-5 数据挖掘系统和其他系统的比较 1-6 数据挖掘系统的分类第2章 数据挖掘过程 2-1 问题定义与主题分析 2-2 数据准备 2-3 建立模型 2-4 模式评估 2-5 数据可视化和知识管理第3章 关联规则 3-1 概述 3-2 关联规则 3-3 关联规则学习的Apriori算法 3-4 挖掘关联规则的多策略方法第4章 决策树 4-1 什么是决策树 4-2 决策树的原理 4-3 决策树的应用 4-4 决策树的优缺点第5章 聚类分析 5-1 概述 5-2 基于划分的聚类算法 5-3 层次聚类 5-4 孤立点分析第6章 基于样例的学习 6-1 概述 6-2 k-最近邻算法 6-3 基于样例的推理第7章 贝叶斯学习 7-1 贝叶斯理论 7-2 相素贝叶斯分类 7-3 贝叶斯信念网络 7-4 贝叶斯分类的应用第8章 粗糙集 8-1 关于知识的观点 8-2 粗糙集理论的知识发现 8-3 决策表的定义 8-4 数据离散化 8-5 决策规则的获取 8-6 粗糙集的化简第9章 神经网络 9-1 什么是神经网络 9-2 神经网络的表示和学习 9-3 多层前馈神经网络 9-4 反馈式神经网络 9-5 神经网络的应用之一——聚类第10章 遗传算法 10-1 遗传算法概述 10-2 基本遗传算法 10-3 遗传算法的实现技术 10-4 遗传算法的理论分析 10-5 遗传算法的应用实例第11章 统计分析 11-1 样本和统计推理 11-2 回归分析 11-3 及成分分析第12章 文本和Web挖掘 12-1 概述 12-2 文本挖掘技术 12-3 Web数据挖掘技术 12-4 文本和Web挖掘的应用第13章 数据挖掘的应用和发展趋势 13-1 空间数据挖掘 13-2 图像检索和挖掘 13-3 时间序列和序列检索 13-4 隐私面临的挑战第14章 商业智能解决方案实例分析 14-1 商业智能概述 14-2 商业智能系统的处理流程和框架 14-3 商业智能解决方案附录A IBM DB2 Intelligent Miner简介参考文献
无