數(shù)據(jù)挖掘算法及其應(yīng)用研究

第1章 概論
1.1 數(shù)據(jù)挖掘概念及其產(chǎn)生的背景
1.2 數(shù)據(jù)挖掘起源
1.3 數(shù)據(jù)挖掘任務(wù)
1.4 數(shù)據(jù)挖掘過(guò)程
1.5 數(shù)據(jù)挖掘解決的典型問(wèn)題
1.6 數(shù)據(jù)挖掘常用工具及開(kāi)發(fā)商

第2章 決策樹(shù)算法
2.1 分類(lèi)原理
2.2 決策樹(shù)算法概述
2.3 決策樹(shù)相關(guān)概念及定義
2.4 決策樹(shù)生成過(guò)程
2.5 決策樹(shù)算法特點(diǎn)
2.6 決策樹(shù)剪枝技術(shù)
2.7 決策樹(shù)算法國(guó)內(nèi)外研究現(xiàn)狀
2.8 ID3算法
2.9 C4.5算法
2.10 CART算法
2.11 SLIQ算法
2.12 SPRINT算法
2.13 PUBLIC算法
2.14 決策樹(shù)算法比較

第3章 貝葉斯分類(lèi)算法
3.1 貝葉斯分類(lèi)理論
3.2 貝葉斯分類(lèi)模型
3.3 貝葉斯分類(lèi)模型的改進(jìn)研究
3.4 貝葉斯網(wǎng)絡(luò)
3.5 貝葉斯網(wǎng)絡(luò)應(yīng)用實(shí)例

第4章 人工神經(jīng)網(wǎng)絡(luò)算法
4.1 基本概念及特征
4.2 人工神經(jīng)網(wǎng)絡(luò)的分類(lèi)
4.3 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史
4.4 人工神經(jīng)元模型
4.5 BP神經(jīng)網(wǎng)絡(luò)
4.6 BP神經(jīng)算法應(yīng)用實(shí)例

第5章 支持向量機(jī)
5.1 概述
5.2 統(tǒng)計(jì)學(xué)習(xí)理論
5.3 支持向量機(jī)定義
5.4 核函數(shù)
5.5 支持向量機(jī)的訓(xùn)練算法
5.6 支持向量機(jī)應(yīng)用實(shí)例

第6章 關(guān)聯(lián)規(guī)則
6.1 關(guān)聯(lián)規(guī)則相關(guān)定義及基本概念
6.2 APRIORI算法
6.3 從頻繁項(xiàng)集到強(qiáng)關(guān)聯(lián)規(guī)則
6.4 提高APRIORI算法的效率
6.5 Web挖掘

第7章 聚類(lèi)分析
7.1 概述
7.2 數(shù)據(jù)結(jié)構(gòu)與數(shù)據(jù)類(lèi)型
7.3 聚類(lèi)準(zhǔn)則函數(shù)
7.4 主要聚類(lèi)算法
7.5 K-means聚類(lèi)算法
7.6 K-means算法應(yīng)用實(shí)例

第8章 數(shù)據(jù)挖掘相關(guān)技術(shù)
8.1 粗糙集技術(shù)
8.2 模糊集技術(shù)
8.3 數(shù)據(jù)倉(cāng)庫(kù)

第9章 一數(shù)據(jù)挖掘在信用評(píng)估模型中的應(yīng)用
9.1 我國(guó)商業(yè)銀行運(yùn)用數(shù)據(jù)挖掘技術(shù)的必要性
9.2 信用的基本概念
9.3 信用風(fēng)險(xiǎn)的影響因素
9.4 風(fēng)險(xiǎn)評(píng)估的特點(diǎn)
9.5 信用評(píng)估模型的主要應(yīng)用技術(shù)
9.6 基于數(shù)據(jù)挖掘的農(nóng)戶(hù)小額貸款信用評(píng)估模型研究

第10章 數(shù)據(jù)挖掘在決策支持系統(tǒng)中的應(yīng)用
10.1 決策支持系統(tǒng)
10.2 決策支持系統(tǒng)的主要特征及功能
10.3 智能決策支持系統(tǒng)
10.4 基于數(shù)據(jù)挖掘的房地產(chǎn)決策支持系統(tǒng)的開(kāi)發(fā)
參考文獻(xiàn)