數(shù)據(jù)挖掘原理、算法及應(yīng)用

第1章　緒論
　1.1 數(shù)據(jù)挖掘的概念和定義
　1.2 數(shù)據(jù)挖掘的歷史及發(fā)展
　1.3 數(shù)據(jù)挖掘的研究內(nèi)容及功能
　1.4 數(shù)據(jù)挖掘的常用技術(shù)及工具
　1.5 數(shù)據(jù)挖掘的應(yīng)用熱點(diǎn)
　1.6 小結(jié)
　習(xí)題
第2章　數(shù)據(jù)預(yù)處理
　2.1 數(shù)據(jù)預(yù)處理的目的
　2.2 數(shù)據(jù)清理
　2.3 數(shù)據(jù)集成和數(shù)據(jù)變換
　2.4 數(shù)據(jù)歸約
　2.5 數(shù)據(jù)離散化和概念分層
　2.6 特征選擇與提取
　2.7 小結(jié)
　習(xí)題
第3章　關(guān)聯(lián)規(guī)則挖掘
　3.1 基本概念
　3.2 關(guān)聯(lián)規(guī)則挖掘算法
　3.3 Apriori改進(jìn)算法
　3.4 不候選產(chǎn)生挖掘頻繁項(xiàng)集
　3.5 使用垂直數(shù)據(jù)格式挖掘頻繁項(xiàng)集
　3.6 挖掘閉頻繁項(xiàng)集
　3.7 挖掘各種類型的關(guān)聯(lián)規(guī)則
　3.8 相關(guān)分析
　3.9 肇于約束的關(guān)聯(lián)規(guī)則
　3.10 矢量空間數(shù)據(jù)庫中關(guān)聯(lián)規(guī)則的挖掘
　3.11 小結(jié)
　習(xí)題
第4章　分類和預(yù)測
　4.1 分類和預(yù)測的基本概念和步驟
　4.2 基于相似性的分類算法
　4.3 決策樹分類算法
　4.4 貝葉斯分類算法
　4.5 人工神經(jīng)網(wǎng)絡(luò)(ANN)
　4.6 支持向量機(jī)
　4.7 預(yù)測
　4.8 預(yù)測和分類中的準(zhǔn)確率
　4.9 評估分類器或預(yù)測器的準(zhǔn)確率
　4.10 小結(jié)
　習(xí)題
第5章　聚類方法
　5.1 概述
　5.2 劃分聚類方法
　5.3 層次聚方法
　5.4 密度聚類方法 聚類結(jié)構(gòu)
　5.5 基于網(wǎng)格聚類方法 變換聚類 聚類方法
　5.6 神經(jīng)網(wǎng)絡(luò)聚類方法：SOM
　5.7 異常檢測
　5.8 小結(jié)
　習(xí)題
第6章　時(shí)間序列數(shù)據(jù)挖掘
　6.1 概述
　6.2 時(shí)間序列數(shù)據(jù)建模
　6.3 時(shí)間序列預(yù)測
　6.4 時(shí)間序列數(shù)據(jù)庫相似搜索
　6.5 從時(shí)間序列數(shù)據(jù)中發(fā)現(xiàn)感興趣模式
　6.6 小結(jié)
　習(xí)題
第7章　Web挖掘
　7.1 挖掘的分類及基數(shù)據(jù)來源
　7.2 Web日志挖掘
　7.3 Web內(nèi)容挖掘
　7.4 小結(jié)
　習(xí)題
第8章　復(fù)雜類型數(shù)據(jù)挖掘
　8.1 空間數(shù)據(jù)挖掘 空間OLAP
　8.2 文本數(shù)據(jù)挖掘
　8.3 多媒體數(shù)據(jù)挖掘 遙感影像分類
　8.4小結(jié)
　習(xí)題
參考文獻(xiàn)