數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn)

第一章  緒論
  1．1  引言 
  1．2 KDD與數(shù)據(jù)挖掘
     1．2．1  KDD定義
     1．2．2 KDD過程
     1．2．3  數(shù)據(jù)庫(kù)技術(shù)發(fā)展與數(shù)據(jù)挖掘
  1．3  數(shù)據(jù)挖掘的對(duì)象與環(huán)境  
     1．3．1  數(shù)據(jù)與系統(tǒng)特征
     1．3．2  數(shù)據(jù)結(jié)構(gòu)
     1．3．3  數(shù)據(jù)庫(kù)系統(tǒng)
  1．4  數(shù)據(jù)挖掘方法與相關(guān)領(lǐng)域  
     1．4．1  數(shù)據(jù)挖掘相關(guān)領(lǐng)域
     1．4．2  粗糙集
     1．4．3聚類
     1．4．4  關(guān)聯(lián)規(guī)則
決策樹
     1．4．6  模糊集
     1．4．7規(guī)則歸納
     1．4．8  進(jìn)化計(jì)算
 1．5 KDD系統(tǒng)與應(yīng)用
  本章小結(jié)
  習(xí)題一
第二章  數(shù)據(jù)預(yù)處理與數(shù)據(jù)倉(cāng)庫(kù)
  2．1  數(shù)據(jù)清理
     2．1．1  填補(bǔ)空缺值
     2．1．2  消除噪聲數(shù)據(jù)
     2．1．3  實(shí)現(xiàn)數(shù)據(jù)一致性
  2.  2  數(shù)據(jù)集成與轉(zhuǎn)換
     2．2．1  數(shù)據(jù)集成
     2．2．2  數(shù)據(jù)轉(zhuǎn)換  
  2．3  數(shù)據(jù)歸約與濃縮
     2．3．1  數(shù)據(jù)立方體聚集  
     2．3．2  維歸約
     2．3．3  數(shù)據(jù)壓縮  
     2．3．4數(shù)值歸約  
  2．4概念分層
     2．4．1  概念分層的概念  
     2．4．2  概念分層的類型  
     2．4．3  數(shù)值數(shù)據(jù)的概念分層與離散化
     2．4．4  分類數(shù)據(jù)的概念分層  
  2．5  數(shù)據(jù)倉(cāng)庫(kù)與多維數(shù)據(jù)模型
     2．5．1  數(shù)據(jù)倉(cāng)庫(kù)的概念
     2．5．2  數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)組織  
     2．5．3數(shù)據(jù)立方體
     2．5．4  多維數(shù)據(jù)庫(kù)模式  
  2．6  數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘
     2．6．1  數(shù)據(jù)倉(cāng)庫(kù)應(yīng)用  
     2．6．2  數(shù)據(jù)挖掘和數(shù)據(jù)倉(cāng)庫(kù)的關(guān)系  
    本章小結(jié)
    習(xí)題二
第三章粗糙集
  3．1  近似空間
     3．1．1  近似空間與不可分辨關(guān)系  
     3．1．2  知識(shí)與知識(shí)庫(kù)  
  3．2近似與粗糙集
     3．2．1  近似與粗糙集的基本概念  
     3．2．2  粗糙集的基本性質(zhì)  
  3．3  粗糙集的特征描述
近似精度  
3．3．2  粗糙集隸屬函數(shù)
    3．3．3  拓?fù)涮卣?br />3．4知識(shí)約簡(jiǎn)  
    3．4．1  約簡(jiǎn)和核
    3．4．2  相對(duì)約簡(jiǎn)和相對(duì)核
3．5  知識(shí)的依賴性  
3．6信息系統(tǒng)
    3．6．1  信息系統(tǒng)的定義
    3．6．2  分辨矩陣與分辨函數(shù)
3．7決策表
3．8決策規(guī)則
3．9  擴(kuò)展的粗糙集模型  
    3．9．1  可變精度粗糙集模型(VPRS)
    3．9．2  相似模型
  本章小結(jié)
  習(xí)題三
第四章  模糊集
4．1  模糊集定義與隸屬函數(shù)  
    4．1．1  模糊集定義與隸屬函數(shù)
    4．1．2  模糊集合的表示法
4．2  模糊集的基本運(yùn)算  
4．3  分解定理與擴(kuò)展原理  
4．4模糊集的特征
4．5模糊集的度量  
    4．5．1  模糊度
    4．5．2  模糊集間的距離
    4．5．3  模糊集的貼近度
4．6模糊關(guān)系  
    4．6．1  模糊關(guān)系定義
    4．6．2  模糊關(guān)系的運(yùn)算與性質(zhì)
    4．6．3  模糊等價(jià)關(guān)系與模糊相似關(guān)系
4．7模糊聚類分析  
  4．7．1模糊劃分
  4．7．2  模糊相似系數(shù)的標(biāo)定方法
  4．7．3  模糊聚類分析
  4．7．4 傳遞閉包法
  4．7．5最大樹法
  4．7．6  模糊C均值聚類(FCM)  
  4．8  模糊集與粗糙集
  本章小結(jié)
  習(xí)題四
第五章  聚類分析
5．1  聚類分析簡(jiǎn)介
5．2  聚類分析中的數(shù)據(jù)類型  
5．3  劃分方法
   5．3．1  k-均值算法
   5．3．2 k-中心點(diǎn)算法
   5．3．3  EM算法
5．4層次方法
   5．4．1  凝聚的和分裂的層次聚類 
   5．4．2  利用層次方法進(jìn)行平衡迭
    代歸約和聚類
   5．4了利用代表點(diǎn)聚類  
    5．4．4  采用動(dòng)態(tài)建模技術(shù)的層次
    聚類算法  
  5．5  基于密度的方法
  5．6  基于網(wǎng)格的方法
  5．7  基于模型的聚類方法
  5．8孤立點(diǎn)分析
  本章小結(jié)
  習(xí)題五
第六章  關(guān)聯(lián)規(guī)則
  6．1  引言  
  6．2  關(guān)聯(lián)規(guī)則基本模型
   6.  2.. 1  關(guān)聯(lián)規(guī)則基本模型
    6．2．2  Apriori算法
    6．2．3  LIG算法
    6,2,4 FP算法
  6．3  多級(jí)關(guān)聯(lián)規(guī)則與多維關(guān)聯(lián)規(guī)則  
    6．3．1  多級(jí)關(guān)聯(lián)規(guī)則  
    6．3．2  多維關(guān)聯(lián)規(guī)則  
  6．4  關(guān)聯(lián)規(guī)則價(jià)值衡量與發(fā)展
    6．4．1  規(guī)則價(jià)值衡量
6．4．2  基于約束的關(guān)聯(lián)規(guī)則
    6．4．3  關(guān)聯(lián)規(guī)則新進(jìn)展
    本章小結(jié)
    習(xí)題六
  第七章  人工神經(jīng)網(wǎng)絡(luò)
    7．1  人工神經(jīng)元及人工神經(jīng)網(wǎng)絡(luò)模型
    7．1．1  M-P模型
    7．1．2  人工神經(jīng)元的形式化描述
    7．1．3  神經(jīng)網(wǎng)絡(luò)的分類
    7．1．4  人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式
    7．2前向神經(jīng)網(wǎng)絡(luò)  
    7．2．1  感知器
    7．2．2  多層前向神經(jīng)網(wǎng)絡(luò)的BP算法
    7．2．3  徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)
    7．3  反饋神經(jīng)網(wǎng)絡(luò)  
    7．3．1  前向神經(jīng)網(wǎng)絡(luò)與反
    饋神經(jīng)網(wǎng)絡(luò)的比較
    7．3．2  反饋神經(jīng)網(wǎng)絡(luò)模型
    7．3．3  離散型Hopfield神經(jīng)網(wǎng)絡(luò)
    7．3．4連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)
    7．3．5 Boltzmann機(jī)
    7．4  自組織競(jìng)爭(zhēng)神經(jīng)網(wǎng)絡(luò)模型  
    7．5  基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)挖掘
    本章小結(jié)
    習(xí)題七
  第八章  分類與預(yù)測(cè)
    8．1  簡(jiǎn)介  
    8．2決策樹
    8．2．1，決策樹學(xué)習(xí)
    8．2．2決策樹的剪枝
    8．2．3  決策樹算法的改進(jìn)
    8．2．4  決策樹算法的可伸縮性
    8．3  貝葉斯分類  
    8．3．1  貝葉斯公式
    8．3．2  樸素貝葉斯分類
    8．3．3  貝葉斯網(wǎng)絡(luò)
    8．3．4  學(xué)習(xí)貝葉斯網(wǎng)絡(luò)  
  8．4基于遺傳算法分類
    8．4．1  遺傳算法的發(fā)展
    8．4．2  遺傳算法的基本原理
    8．4．3基本遺傳算法
    8．4．4  遺傳算法的基本實(shí)現(xiàn)技才
  8．5  分類法的評(píng)估
    8．5．1  評(píng)估分類法的精度  
    8．5．2  提高分類法的精度  
  8．6  預(yù)測(cè)  
    8．6．1  時(shí)間序列預(yù)測(cè)模型  ．
    8．6．2  線性回歸和多元回歸  
    8．6．3  非線性回歸  
    8．6．4  其他回歸模型，
    8．6．5  馬爾可夫鏈
  本章小結(jié)
  習(xí)題八
第九章  多媒體數(shù)據(jù)挖掘
  9．1  簡(jiǎn)介
  9．2多媒體數(shù)據(jù)庫(kù)
    9．2．1  MM-DBMS體系結(jié)構(gòu)
    9．2．2  數(shù)據(jù)模型  
    9．2．3  MM-DBMS的功能
  9．3  挖掘多媒體數(shù)據(jù)，
    9．3．1概述
    9．3．2文本挖掘
    9．3．3  圖像挖掘
    9．3．4視頻挖掘
    9．3．5音頻挖掘
    9．3．6  復(fù)合類型數(shù)據(jù)的挖掘  
  本章小結(jié)
  習(xí)題九
參考文獻(xiàn)
名詞索引