醫(yī)學數(shù)據(jù)挖掘（SQL Server2005案例分析）

第1章 醫(yī)學數(shù)據(jù)挖掘概述
1.1 數(shù)據(jù)挖掘概念
1.1.1 數(shù)據(jù)挖掘的產(chǎn)生
1.1.2 數(shù)據(jù)挖掘的定義
1.2 數(shù)據(jù)挖掘的任務
1.3 數(shù)據(jù)挖掘技術
1.4 數(shù)據(jù)挖掘工具——SQL Server 2005
1.5數(shù)據(jù)挖掘技術在醫(yī)學領域中的應用特點、現(xiàn)狀及展望
本章小結
習題
第2章 數(shù)據(jù)挖掘方法和最佳實踐
2.1 為什么需要方法論
2.1.1 獲取不真實的知識
2.1.2 獲取真實但無用的知識
2.2 假設測試
2.3 數(shù)據(jù)挖掘的方法
本章小結
習題
第3章 決策樹
3.1 決策樹的概念
3.2 決策樹算法的基本原理
3.2.1 ID3算法
3.2.2 ID3算法的特點和面臨的問題
3.2.3 樹枝修剪
3.2.4 其他決策樹算法
3.3 利用Microsoft SQL Server 2005實踐決策樹算法
3.3.1 案例背景
3.3.2 Microsoft SQL Server 2005 Analysis Services操作步驟
本章小結
習題
第4章 回歸與時序算法
4.1 算法介紹
4.2 回歸分析
4.2.1 一元線性回歸分析
4.2.2 多元線性回歸分析
4.2.3 非線性回歸分析
4.3 時間序列分析
4.3.1 確定性時間序列分析方法
4.3.2 隨機時間序列分析
4.4 利用Microsoft SQL Server 2005實踐回歸與時序分析
4.4.1 案例背景
4.4.2 Microsoft SQL Server 2005 Analysis Services操作步驟
本章小結
習題
第5章 人工神經(jīng)網(wǎng)絡
5.1 人工神經(jīng)網(wǎng)絡簡介
5.2 人工神經(jīng)網(wǎng)絡建?；A
5.2.1 生物神經(jīng)網(wǎng)絡
5.2.2 人工神經(jīng)元
5.2.3 M.P模型
5.2.4 人工神經(jīng)網(wǎng)絡分類
5.2.5 人工神經(jīng)網(wǎng)絡的學習
5.3 感知器神經(jīng)網(wǎng)絡
5.3.1 單層感知器
5.3.2 多層感知器
5.3.3 誤差反傳（BP）算法
5.4 利用Microsoft SQL Servet 2005實踐神經(jīng)網(wǎng)絡算法
5.4.1 案例背景
5.4.2 Microsoft SQL Server 2005 Analysis Services操作步驟
本章小結
習題
第6章 關聯(lián)規(guī)則
6.1 關聯(lián)規(guī)則概述
6.2 關聯(lián)規(guī)則算法
6.2.1 單維布爾關聯(lián)規(guī)則挖掘
6.2.2 多層關聯(lián)規(guī)則挖掘
6.2.3 多維關聯(lián)規(guī)則挖掘
6.3 利用Microsoft SQL Server 2005實踐關聯(lián)規(guī)則算法
6.3.1 案例背景
6.3.2 Microsoft SQL Server 2005 Analysis Setvices操作步驟
本章小結
習顥
第7章 聚類分析
7.1 聚類分析相關概念及其分類
7.1.1 相似性測量
7.1.2 聚類分析算法簡介
7.2 k-Means算法
7.3 EM算法
7.4 利用Microsoft SQL Serlver 2005實踐聚類分析算法
7.4.1 案例背景
7.4.2 Microsoft SQL Server 2005 Analysis Setvices操作步驟
本章小結
習題
附錄A SQL Server 2005數(shù)據(jù)庫的安裝
附錄B 數(shù)據(jù)挖掘模擬試題（一）
附錄C 數(shù)據(jù)挖掘模擬試題（二）
參考文獻