數(shù)據(jù)挖掘技術(shù)

1緒論
1.1數(shù)據(jù)管理
1.1.1人工管理階段
1.1.2文件系統(tǒng)階段
1.1.3數(shù)據(jù)庫系統(tǒng)階段
1.2數(shù)據(jù)倉庫和聯(lián)機(jī)分析處理
1.3數(shù)據(jù)挖掘和知識(shí)發(fā)現(xiàn)
1.3.1數(shù)據(jù)挖掘的發(fā)展
1.3.2數(shù)據(jù)挖掘的對(duì)象
1.3.3數(shù)據(jù)挖掘的目的
1.3.4數(shù)據(jù)挖掘過程
1.3.5數(shù)據(jù)挖掘的分類
1.3.6數(shù)據(jù)挖掘方法和技術(shù)
1.3.7數(shù)據(jù)挖掘技術(shù)的難點(diǎn)
1.4數(shù)據(jù)挖掘工具
1.4.1數(shù)據(jù)挖掘工具的選擇
1.4.2數(shù)據(jù)挖掘原型系統(tǒng)
1.4.3主要商業(yè)產(chǎn)品介紹
1.5本章小結(jié)
2數(shù)據(jù)倉庫和聯(lián)機(jī)分析處理
2.1數(shù)據(jù)倉庫概念
2.1.1數(shù)據(jù)倉庫的產(chǎn)生
2.1.2數(shù)據(jù)倉庫的定義
2.2數(shù)據(jù)倉庫中的數(shù)據(jù)組織
2.2.1數(shù)據(jù)倉庫的數(shù)據(jù)組織結(jié)構(gòu)
2.2.2數(shù)據(jù)倉庫的系統(tǒng)結(jié)構(gòu)
2.3數(shù)據(jù)倉庫的基本數(shù)據(jù)模型
2.3.1星型模型
2.3.2雪花模型
2.4數(shù)據(jù)倉庫的實(shí)現(xiàn)策略
2.5數(shù)據(jù)倉庫與聯(lián)機(jī)分析處理
2.6聯(lián)機(jī)分析處理
2.6.1基本概念
2.6.2多維分析的基本分析動(dòng)作
2.6.3OLAP結(jié)構(gòu)
2.6.4OLTP和OLAP的比較
2.7數(shù)據(jù)倉庫與數(shù)據(jù)挖掘
2.8本章小結(jié)
3關(guān)聯(lián)規(guī)則挖掘
3.1基本概念
3.2關(guān)聯(lián)規(guī)則的Apriori算法
3.2.1Apriori算法
3.2.2AptioriTid算法
3.2.3AprioriI-tybrid算法
3.3Apriori的改進(jìn)算法
3.3.1基于散列(Hash)的方法
3.3.2基于數(shù)據(jù)分割(Partition)的方法
3.3.3基于采樣(Sampling)的方法
3.4基于FP—tree的關(guān)聯(lián)規(guī)則挖掘算法FP—growth
3.4.1算法描述
3.4.2示例說明
3.5多層關(guān)聯(lián)規(guī)則挖掘
3.6多維關(guān)聯(lián)規(guī)則挖掘
3.7基于約束的關(guān)聯(lián)規(guī)則挖掘
3.8數(shù)量關(guān)聯(lián)規(guī)則挖掘
3.8.1基本概念
3.8.2數(shù)量關(guān)聯(lián)規(guī)則的分類
3.8.3數(shù)量關(guān)聯(lián)規(guī)則挖掘的一般步驟
3.8.4數(shù)值屬性離散化問題
3.9最大頻繁項(xiàng)目集挖掘
3.9.1最大頻繁項(xiàng)目集
3.9.2基于Apriori的最大頻繁項(xiàng)目集挖掘算法
3.9.3基于FP-tree的最大頻繁項(xiàng)目集挖掘算法
3.10關(guān)聯(lián)規(guī)則更新挖掘算法
3.10.1數(shù)據(jù)集的增量性更新挖掘算法
3.10.2算法參數(shù)的相似性更新挖掘算法
3.10.3基于FP-tree的關(guān)聯(lián)規(guī)則更新挖掘算法
3.10.4基于FP-tree的最大頻繁項(xiàng)目集更新算法
3.11一種新的支持度計(jì)算方法
3.11.1基本概念
3.11.2候選頻繁項(xiàng)目集的生成
3.11.3項(xiàng)目集支持?jǐn)?shù)計(jì)算方法
3.12負(fù)關(guān)聯(lián)規(guī)則挖掘算法
3.12.1基本概念
3.12.2基于Apriori的負(fù)關(guān)聯(lián)規(guī)則挖掘算法
3.12.3基于頻繁模式樹的負(fù)關(guān)聯(lián)規(guī)則挖掘算法
3.13加權(quán)關(guān)聯(lián)規(guī)則挖掘算法
3.13.1加權(quán)關(guān)聯(lián)規(guī)則模型
3.13.2加權(quán)關(guān)聯(lián)規(guī)則的發(fā)現(xiàn)
3.14本章小結(jié)
4序列模式挖掘
4.1問題描述
4.2類Apriori(Apriori—based)方法
4.3GSP算法
4.4基于投影的序列模式挖掘算法PrefixSpan
4.4.1基本概念
4.4.2算法描述
4.4.3示例說明
4.5SPADE方法
4.5.1基本理論
4.5.2支持?jǐn)?shù)(度)計(jì)算
4.5.3基于前綴分類的格分解
4.5.4頻繁序列模式搜索
4.5.5SPADE算法的設(shè)計(jì)和實(shí)現(xiàn)
4.6序列模式增量式更新算法
4.6.1基本概念
4.6.2算法描述
4.6.3示例說明
4.7本章小結(jié)
5分類
5.1分類概述
5.2決策樹(DecisionTree)方法
5.2.1決策樹方法概述
5.2.2決策樹方法的理論基礎(chǔ)
5.2.3決策樹的表示
5.2.4決策樹的生成
5.3ID3決策樹方法
5.3.1ID3算法的決策屬性選擇方法
5.3.2ID3算法示例
5.3.3ID3的特點(diǎn)
5.4C4.5方法
5.4.1C4.5方法中決策樹的構(gòu)造
5.4.2處理未知屬性值的訓(xùn)練樣本
5.4.3連續(xù)屬性的處理
5.4.4決策樹修剪
5.4.5交叉驗(yàn)證
5.4.6規(guī)則的抽取
5.5IBLE決策規(guī)則樹方法
5.6SLIQ：一種快速可擴(kuò)展的分類算法
5.6.1算法的擴(kuò)展性
5.6.2SLlQ分類器
5.6.3算法流程
5.7SPRINT：一種可擴(kuò)展的并行分類器
5.8貝葉斯方法
5.8.1貝葉斯理論
5.8.2樸素貝葉斯分類
5.9本章小結(jié)
6聚類分析
6.1什么是聚類分析
6.2距離和相似系數(shù)
6.2.1距離
6.2.2相似系數(shù)
6.3聚類分析的過程
6.3.1數(shù)據(jù)準(zhǔn)備
6.3.2特征生成
6.3.3聚類分析
6.4聚類分析算法的分類
6.4.1劃分法
6.4.2層次方法
6.4.3基于密度的方法
6.4.4基于網(wǎng)格的方法
6.4.5基于模型的方法
6.4.6基于變換的聚類算法
6.5常用的聚類算法
6.5.1劃分法
6.5.2層次方法
6.5.3基于密度的方法
6.5.4基于網(wǎng)格的聚類方法
6.5.5基于模型的聚類方法
6.5.6模糊聚類算法FCM
6.5.7聚類算法性能評(píng)價(jià)
6.6孤立點(diǎn)分析
6.7高維空間聚類問題
6.8本章小結(jié)
7Web挖掘
7.1Web挖掘概述
7.2Web挖掘基本流程
7.3Web挖掘分類
7.3.1Web內(nèi)容挖掘
7.3.2Web結(jié)構(gòu)挖掘
7.3.3Web用法挖掘
7.4Web挖掘的應(yīng)用前景
7.5本章小結(jié)
8基于數(shù)據(jù)挖掘的醫(yī)學(xué)圖像分類
8.1分類模型的基本框架
8.2醫(yī)學(xué)圖像的特征描述
8.3醫(yī)學(xué)圖像分割及局部組織特征的提取
8.3.1醫(yī)學(xué)圖像分割
8.3.2局部組織特征的提取
8.4關(guān)聯(lián)分類規(guī)則
8.4.1關(guān)聯(lián)分類規(guī)則
8.4.2頻繁關(guān)聯(lián)分類規(guī)則挖掘算法
8.4.3精確關(guān)聯(lián)分類規(guī)則挖掘算法
8.5規(guī)則比較與分析
8.6本章小結(jié)
參考文獻(xiàn)