數據挖掘基礎教程

出版者的話
譯者序
前言
第1章 數據挖掘
1.1 引言
　　1.1.1　數據挖掘與知識發(fā)現
　　1.1.2　數據挖掘與數據分析
　　1.1.3　數據挖掘與統(tǒng)計學
　　1.1.4　數據挖掘與機器學習
1.2　數據挖掘——成功的例子
1.3　數據挖掘研究發(fā)展的主要原因
1.4　當前研究成果
1.5　圖形模型和層次概率表示
1.6　新的應用
1.7　影響數據挖掘的趨勢
1.8　研究挑戰(zhàn)
1.9　實驗平臺和基礎設施
參考文獻
第2章 從商務角度看數據挖掘
2.1 引言
2.2　從數據挖掘工具到解決方案
2.3　數據挖掘系統(tǒng)的演變
2.4　知識發(fā)現過程
　2.5　數據挖掘支撐技術概述
　　2.5.1　數據挖掘：驗證與發(fā)現
　　2.5.2　決策支持系統(tǒng)
　　2.5.3　OLAP
　　2.5.4　桌面DSS
　　2.5.5　數據倉庫
　　2.5.6　數據挖掘過程
　2.6　數據挖掘技術
　參考文獻
第3章 數據挖掘算法的數據類型、輸入和輸出
　3.1 引言
　3.2　實例和特征
　3.3　特征（數據）的不同類型
　3.4　概念學習與概念描述
　3.5　數據挖掘的輸出——知識表示
　　3.5.1　分類學習算法的知識輸出
　　3.5.2　聚類學習算法的輸出
　　3.5.3　關聯規(guī)則的輸出
　　3.5.4　用于數值預測的樹的輸出
　　3.5.5　基于實例的學習和知識表示
　參考文獻
第4章 決策樹——分類和回歸樹
　4.1 引言
　4.2　構造分類樹
　　4.2.1　用于標稱屬性的ID3算法
　　4.2.2　信息論和信息熵
　　4.2.3　構造樹
　　4.2.4　高分支屬性
　　4.2.5　從ID3到C4.5
　　4.2.6　形象化地理解ID3和C4.5算法
　4.3 CHAID
　　4.3.1 CHAID的數學工具
　　4.3.2 CHAID變量的類型
　　4.3.3 CHAID算法
　　4.3.4 CHAID算法描述
　　4.3.5　將CHAID用于氣象數據
　　4.3.6　單調變量的預測子級別合并
　4.4　CART（分類和回歸樹）
　　……
第5章　數據挖掘的預處理和后處理
第6章　數據集
第7章　關聯規(guī)則挖掘
第8章　用開源和商業(yè)軟件進行機器學習
第9章　分類和回歸算法
第10章　支持向量機
第11章　聚類分析
第12章　多維數據可視化
參考文獻
附錄A　SVM公式：安全可分的線性分類器
附錄B　圖劃分的矩陣形式