數(shù)據(jù)挖掘理論與應(yīng)用

第1章 導(dǎo)論
　1.1　數(shù)據(jù)挖掘概述
　1.1.1　數(shù)據(jù)挖掘的背景
　 1.1.2　數(shù)據(jù)挖掘的定義
　 1.1.3　數(shù)據(jù)挖掘的應(yīng)用
　 1.2　數(shù)據(jù)挖掘的一般過(guò)程
　 1.2.1　數(shù)據(jù)挖掘中的數(shù)據(jù)集
　1.2.2　數(shù)據(jù)挖掘的任務(wù)
　 1.2.3　數(shù)據(jù)挖掘過(guò)程
　 1.3　數(shù)據(jù)挖掘的一般方法
　 1.3.1 分類(lèi)預(yù)測(cè)型方法
　 1.3.2 描述型方法
　 1.3.3 文本／Web挖掘方法
理論篇
　第2章 分類(lèi)方法
　2.1 決策樹(shù)
　 2.1.1 決策樹(shù)基本概念
　 2.1.2 決策樹(shù)構(gòu)造過(guò)程
　2.1.3 決策樹(shù)的擴(kuò)展
　 2.2 前饋神經(jīng)網(wǎng)絡(luò)
　 2.2.1 基本概念
　2.2.2 BP訓(xùn)練過(guò)程
　 2.2.3 RBF網(wǎng)絡(luò)
　2.3 基于規(guī)則的方法
　2.3.1 AQ算法
　 2.3.2 C45rules
　 2.3.3 RIPPER
　 2.4 支持向量機(jī)
　 2.4.1 核函數(shù)
　2.4.2 線(xiàn)性可分模式下的最優(yōu)超平面
　 2.4.3 線(xiàn)性不可分模式下的最優(yōu)超平面
　 2.4.4 支持向量機(jī)
　 2.5　貝葉斯分類(lèi)
　 2.5.1　貝葉斯理論和極大后驗(yàn)假設(shè)
　 2.5.2　貝葉斯網(wǎng)絡(luò)和貝葉斯分類(lèi)器
　 2.5.3　幾種常見(jiàn)的貝葉斯分類(lèi)器模型
　2.5.4　貝葉斯分類(lèi)器應(yīng)用舉例
　 2.6　粗糙集方法
　 2.6.1　粗糙集概念
　2.6.2　粗糙集基本算法
　 2.6.3　粗糙集方法的擴(kuò)展
　2.7 其他分類(lèi)方法
　2.7.1 回歸分析
　 2.7.2 k-最近鄰分類(lèi)方法
　 2.7.3 組合學(xué)習(xí)方法
　第3章　聚類(lèi)方法
　3.1　聚類(lèi)方法概述
　 3.1.1　聚類(lèi)分析中的常見(jiàn)數(shù)據(jù)類(lèi)型
　3.1.2　對(duì)聚類(lèi)算法的一些典型要求
　 3.1.3　主要的聚類(lèi)方法
　3.2　劃分聚類(lèi)
　3.2.1 k-均值算法
　 3.2.2 二分k-均值聚類(lèi)方法
　 3.2.3 k-中心點(diǎn)算法
　 3.3 層次聚類(lèi)
　 3.3.1 凝聚的和分裂的層次聚類(lèi)
　 3.3.2 BIRCH算法
　3.3.3 CuRE算法
　 3.3.4 ROCK算法
　3.3.5 Chameleon
　 3.4 基于密度的聚類(lèi)
　 3.4.1 DBSCAN算法
　3.4.2 OPTICS算法
　 3.5 Kohonen聚類(lèi)
　 3.5.1 自組織神經(jīng)網(wǎng)絡(luò)
　3.5.2 Kohonen自組織映射
　 3.6 孤立點(diǎn)分析
　 3.6.1　基于統(tǒng)計(jì)的孤立點(diǎn)檢測(cè)
　3.6.2　基于距離的孤立點(diǎn)檢測(cè)
　 3.6.3　基于偏離的孤立點(diǎn)檢測(cè)方法
　3.7 概念格
　3.7.1　基本概念
　 3.7.2　概念格的建造
　 3.7.3　規(guī)則提取
　第4章 關(guān)聯(lián)分析
　4.1　基本概念與挖掘過(guò)程
　4.1.1　基本概念
　 4.1.2　關(guān)聯(lián)規(guī)則挖掘過(guò)程
　4.2　頻繁項(xiàng)集挖掘算法
　4.2.1 Apriori算法
　 4.2.2 Apriori算法的改進(jìn)
　 4.2.3 FP＿Growth算法
　 4.3　關(guān)聯(lián)規(guī)則生成算法
　4.4　頻繁閉項(xiàng)集挖掘
　 4.5　關(guān)聯(lián)規(guī)則的擴(kuò)展
　 4.5.1　多層次關(guān)聯(lián)規(guī)則
　 4.5.2　多維關(guān)聯(lián)規(guī)則
　 4.5.3　定量關(guān)聯(lián)規(guī)則
　 4.5.4　加權(quán)關(guān)聯(lián)規(guī)則
　 4.5.5　序列模式分析
　第5章 文本與Web挖掘
　5.1　文本挖掘
　5.1.1　文本預(yù)處理
　 5.1.2　文本檢索
　 5.1.3　文本分類(lèi)
　 5.1.4　文本聚類(lèi)
　 5.1.5　文本摘要
　5.2 Web挖掘
　 5.2.1 概述
　 5.2.2 Web內(nèi)容挖掘
　 5.2.3 Web結(jié)構(gòu)挖掘
　5.2.4 Web使用挖掘
應(yīng)用篇
　第6章 業(yè)務(wù)理解
　6.1　需求分析
　6.1.1　需求分析的內(nèi)容
　 6.1.2　需求分析的方法
　 6.1.3　需求分析的結(jié)果
　6.1.4　需求分析的注意事項(xiàng)
　 6.2　實(shí)例：客戶(hù)細(xì)分項(xiàng)目的需求分析
　 6.2.1　客戶(hù)細(xì)分項(xiàng)目的內(nèi)容
　6.2.2　分析方法
　 6.2.3　分析結(jié)果
　第7章　數(shù)據(jù)預(yù)處理
　7.1　數(shù)據(jù)理解
　 7.2　數(shù)據(jù)準(zhǔn)備
　 7.2.1　數(shù)據(jù)整理與合并
　 7.2.2　數(shù)據(jù)抽樣
　 7.2.3　訓(xùn)練集和測(cè)試集的劃分方法
　 7.2.4　類(lèi)標(biāo)簽的確定
　 7.3　數(shù)據(jù)描述
　 7.3.1　單變量描述方法
　7.3.2　多變量描述方法
　 7.4　數(shù)據(jù)清理
　 7.4.1　缺值處理
　7.4.2　探測(cè)異常點(diǎn)與噪聲清除
　 7.5　變量變換與合成
　 7.5.1　連續(xù)變量歸一化
　7.5.2　離散變量的數(shù)值化
　 7.5.3　連續(xù)變量離散化
　 7.5.4　變量變換
　7.5.5　變量合成
　 7.6　變量選擇
　 7.6.1　概述
　7.6.2　包裝方法
　 7.6.3　過(guò)濾方法
　 7.6.4　主成分及因子分析
　 7.7 一些算法對(duì)預(yù)處理的要求
　7.8 實(shí)例：客戶(hù)流失項(xiàng)目的數(shù)據(jù)預(yù)處理
　7.8.1　數(shù)據(jù)理解和數(shù)據(jù)準(zhǔn)備
　 7.8.2　數(shù)據(jù)描述和清理
　 7.8.3　數(shù)據(jù)變換與選擇
　第8章 建模
　8.1 算法選擇
　 8.2 模型參數(shù)調(diào)整
　8.3 模型評(píng)估和性能比較
　8.3.1 分類(lèi)模型的評(píng)估方法
　 8.3.2 聚類(lèi)模型的評(píng)估方法
　 8.4 模型導(dǎo)出
　8.5 實(shí)例客戶(hù)流失項(xiàng)目的建模
　8.5.1 算法選擇
　 8.5.2 參數(shù)調(diào)整
　 8.5.3 性能評(píng)估
　 8.5.4 模型導(dǎo)出
　第9章 模型部署與維護(hù)
　9.1 模型部署
　 9.2 模型維護(hù)
　 9.3 客戶(hù)流失項(xiàng)目的模型部署與維護(hù)
附錄A 主要數(shù)據(jù)挖掘軟件簡(jiǎn)介
A1 SAS Enterprise Miner
A1.1 概述
A1.2 數(shù)據(jù)挖掘過(guò)程及模塊
A2 SPSS Clementine
A2.1 概述
A2.2 數(shù)據(jù)挖掘過(guò)程及模塊
A3 IBM Intelligent Miner
A3.1 概述
A3.2 數(shù)據(jù)挖掘過(guò)程及模塊
A4 其他常見(jiàn)數(shù)據(jù)挖掘工具
參考文獻(xiàn)