數(shù)據(jù)挖掘技術及其應用

第1章  導論
  1.1  數(shù)據(jù)挖掘技術的源起與發(fā)展
  1.2  數(shù)據(jù)挖掘的概念
  1.3  數(shù)據(jù)挖掘的過程
  1.4  數(shù)據(jù)挖掘的功能
  1.5  數(shù)據(jù)挖掘的典型應用領域
  1.6  目前國際上流行的數(shù)據(jù)挖掘軟件
  參考文獻
第2章  數(shù)據(jù)預處理
  2.1  數(shù)據(jù)清理
  2.2  ?據(jù)集成
  2.3  數(shù)據(jù)轉換
  2.4  數(shù)據(jù)約簡
  參考文獻
第3章  維約簡——特征選擇與特征提取
  3.1  特征選擇
  3.2  特征提取
  3.3  基于譜分析的降維框架
  參考文獻
第4章  關聯(lián)規(guī)則提取與粗糙集
  4.1  基本概念
  4.2  經典的關聯(lián)規(guī)則挖掘算法
  4.3  模糊關聯(lián)規(guī)則的發(fā)現(xiàn)
  4.4  數(shù)量屬性關聯(lián)規(guī)則的挖掘
  4.5  面向?確定知識的關聯(lián)規(guī)則挖掘——粗糙集理論與應用
  4.6  基于粗糙集和微粒群算法的特征選擇(PSORSFS)
  4.7  基于有序PSO的粗糙集近似熵約簡
  4.8  基于模糊粗糙集的最近鄰聚類分類算法
  參考文獻
第5章  分類原理與方法
  5.1  一般概念
  5.2  基于歸納的傳統(tǒng)決策樹方法
  5.3  超平面決策樹方法
  5.4  復合式評價函數(shù)
  5.5  模糊類別的決策樹方法
  5.6  基于模糊極小極大網絡的模糊規(guī)則提取與分類
  5.7  Linear Map(LMAP)方法與包容型數(shù)據(jù)
  參考文獻
第6章  統(tǒng)計學習理論與支持向量機
  6.1  簡介
  6.2  統(tǒng)計學習理論的主要內容
  6.3  支持向量機理論
  6.4  基于測地距離的SV.M分類算法
  6.5  基于SOR(Successive Over Relaxation)的支持向量回歸
  訓練方法
  參考文獻
第7章  聚類分析
  7.1  聚類的基本概念
  7.2  常見聚類算法
  7.3  特征空間屬性加權模糊核聚類算法
  7.4  基于信息理論的合作模糊聚類算法研究
  7.5  基于密度和網格的子空間聚類算法
  參考文獻
第8章  數(shù)據(jù)挖掘在生物信息學中的應用
  8.1  基于集成分類器的蛋白序列分析
  8.2  聚類分析在基因表達數(shù)據(jù)中的應用
  8.3  基于有監(jiān)督聚類算法的蛋白三維結構分類
  參考文獻
第9章  數(shù)據(jù)挖掘在合金相圖研究中的應?
  9.1  國內外相圖研究現(xiàn)狀
  9.2  相圖研究的原子參數(shù)一數(shù)據(jù)挖掘方法
  9.3  研究三元合金系中間化合物形成規(guī)律的原理與方法
  9.4  國內外相圖研究現(xiàn)狀：三元合金系中間化合物形成規(guī)律研究
  參考文獻