數(shù)據(jù)挖掘與最優(yōu)化技術(shù)及其應(yīng)用

第一章 引言
　§1.1　數(shù)據(jù)挖掘的意義
　§1.2　數(shù)據(jù)庫(kù)知識(shí)發(fā)現(xiàn)
　§1.3　數(shù)據(jù)挖掘的主要內(nèi)容
　§1.4　數(shù)據(jù)挖掘的應(yīng)用
　§1.5　本書的研究工作和主要成果
第二章 數(shù)據(jù)挖掘問題最優(yōu)化模型及數(shù)學(xué)基礎(chǔ)知識(shí)
　§2.1　數(shù)據(jù)挖掘問題與最優(yōu)化的結(jié)合
　§2.2　數(shù)學(xué)基礎(chǔ)知識(shí)
　　§2.2.1　范數(shù)與不等式
　　§2.2.2　矩陣的Rayleigh商
　　§2.2.3　多元函數(shù)分析
　　§2.2.4　凸集合和凸函數(shù)
　　§2.2.5　優(yōu)化數(shù)學(xué)模型的算法結(jié)構(gòu)
　§2.3　分類問題的優(yōu)化模型
　§2.4　聚類問題的優(yōu)化模型
　§2.5　回歸問題的優(yōu)化模型
　§2.6　相關(guān)性問題的建模
　§2.7　小結(jié)
第三章 支持向量機(jī)分類技術(shù)
　§3.1　數(shù)據(jù)分類理論和算法綜述
　§3.2　支持向量機(jī)分類技術(shù)
　　§3.2.1　支持向量機(jī)分類的優(yōu)化模型
　　§3.2.2　光滑的支持向量機(jī)模型
　§3.3　BFGS方法和Newton-Armijo方法
　§3.4　數(shù)值試驗(yàn)
　§3.5　PSSVM的實(shí)際應(yīng)用研究
　§3.6　基于核函數(shù)的支持向量機(jī)分類方法
　§3.7　小結(jié)
第四章 聚類優(yōu)化模型及其求解算法
　§4.1　數(shù)據(jù)聚類的數(shù)學(xué)規(guī)劃模型
　§4.2　數(shù)據(jù)聚類的k質(zhì)心聚類算法
　§4.3　改進(jìn)的k質(zhì)心聚類算法
　§4.4　基于核的k質(zhì)心聚類算法
　§4.5　基于樣本分割函數(shù)的k質(zhì)心聚類算法
　§4.6　基于遺傳算法的k質(zhì)心聚類算法
　§4.7　小結(jié)
第五章 等基數(shù)雙目錄分割問題
　§5.1　等基數(shù)雙目錄分割問題數(shù)學(xué)模型
　§5.2　改進(jìn)的隨機(jī)算法（IRA）
　§5.3　IRA算法分析
　§5.4　小結(jié)
第六章 關(guān)聯(lián)規(guī)則挖掘算法和規(guī)則近似表示
　§6.1　關(guān)聯(lián)規(guī)則挖掘的一般概念
　§6.2　關(guān)聯(lián)規(guī)則挖掘算法
　§6.3　矩陣算法
　　§6.3.1　矩陣算法的過程
　　§6.3.2　矩陣算法的數(shù)值實(shí)驗(yàn)
　§6.4　數(shù)據(jù)庫(kù)因果關(guān)系的線性化近似
　　§6.4.1　數(shù)據(jù)庫(kù)因果關(guān)系
　　§6.4.2　因果關(guān)系的線性多項(xiàng)式近似
　§6.5　小結(jié)
第七章 數(shù)據(jù)挖掘應(yīng)用
　§7.1　數(shù)據(jù)挖掘在生物信息學(xué)中的應(yīng)用
　§7.2　數(shù)據(jù)挖掘在保險(xiǎn)業(yè)中的應(yīng)用
　§7.3　數(shù)據(jù)挖掘在金融業(yè)中的應(yīng)用
參考文獻(xiàn)
附錄
附錄A Procedure for generating—matrix（T）
附錄B Procedure joillt operation（Lk-1）
附錄C Procedure frequentitemsets（Ck）
附錄D Procedure of generating association—rules（L）