數(shù)據(jù)挖掘技術(shù)與應(yīng)用

1 緒論
1.1 數(shù)據(jù)挖掘的起源
1.2 數(shù)據(jù)挖掘的現(xiàn)狀
1.3 數(shù)據(jù)挖掘的概念
1.3.1 數(shù)據(jù)挖掘的技術(shù)含義
1.3.2 數(shù)據(jù)挖掘的理論基礎(chǔ)
1.3.3 數(shù)據(jù)的分類
1.3.4 訓(xùn)練集和測試集
1.3.5 學(xué)習(xí)
1.4 數(shù)據(jù)挖掘的功能
1.5 數(shù)據(jù)挖掘的過程
1.6 數(shù)據(jù)挖掘的分類
1.6.1 根據(jù)數(shù)據(jù)庫類型分類
1.6.2 根據(jù)知識類型分類
1.6.3 根據(jù)技術(shù)分類
1.6.4 根據(jù)應(yīng)用分類
1.7 數(shù)據(jù)挖掘的方法
1.7.1 決策樹方法
1.7.2 神經(jīng)網(wǎng)絡(luò)方法
1.7.3 模糊集方法
1.7.4 遺傳算法
1.7.5 統(tǒng)計(jì)分析方法
1.7.6 粗糙集方法
1.8 數(shù)據(jù)挖掘的應(yīng)用分析
1.8.1 數(shù)據(jù)挖掘在體育競技中的應(yīng)用
1.8.2 數(shù)據(jù)挖掘在商業(yè)銀行中的應(yīng)用
1.8.3 數(shù)據(jù)挖掘在電信中的應(yīng)用
1.8.4 數(shù)據(jù)挖掘在科學(xué)探索中的應(yīng)用
1.8.5 數(shù)據(jù)挖掘在信息安全中的應(yīng)用
1.9 數(shù)據(jù)挖掘的發(fā)展趨勢與面對的問題
參考文獻(xiàn)
2 數(shù)據(jù)
2.1 數(shù)據(jù)類型
2.1.1 屬性與度量
2.1.2 數(shù)據(jù)集的類型
2.2 數(shù)據(jù)預(yù)處理
2.2.1 數(shù)據(jù)清理
2.2.2 數(shù)據(jù)集成
2.2.3 數(shù)據(jù)變換
2.2.4 數(shù)據(jù)歸約
2.3 鄰近性度量
2.3.1 一些概念
2.3.2 簡單屬性之間的鄰近度
2.3.3 數(shù)據(jù)對象之間的相異度
2.3.4 數(shù)據(jù)對象之間的相似度
2.3.5 鄰近性度量舉例
參考文獻(xiàn)
3 關(guān)聯(lián)規(guī)則
3.1 關(guān)聯(lián)規(guī)則概念
3.2 Apriori關(guān)聯(lián)規(guī)則算法
3.2.1 發(fā)現(xiàn)頻繁項(xiàng)目集
3.2.2 生成關(guān)聯(lián)規(guī)則
3.3 提高Apriori算法的效率
3.3.1 基于劃分的方法
3.3.2 基于散列的方法
3.3.3 基于采樣的方法
3.3.4 基于事務(wù)壓縮的方法
3.3.5 基于動(dòng)態(tài)項(xiàng)目集計(jì)數(shù)的方法
3.4 關(guān)聯(lián)規(guī)則挖掘的深人問題
3.4.1 多層次關(guān)聯(lián)規(guī)則挖掘
3.4.2 多維關(guān)聯(lián)規(guī)則挖掘
3.4.3 數(shù)量關(guān)聯(lián)規(guī)則挖掘
參考文獻(xiàn)
4 分類和預(yù)測
4.1 分類概念
4.2 分類規(guī)則
4.2.1 分類規(guī)則原理
4.2.2 分類規(guī)則算法步驟
4.2.3 分類規(guī)則模式
4.3 基于距離的分類器
4.4 決策樹分類器
4.4.1 決策樹基本算法
4.4.2 決策樹分類舉例
4.4.3 ID3算法
4.5 貝葉斯分類器
4.5.1 貝葉斯定理
4.5.2 貝葉斯定理在分類中的應(yīng)用
4.5.3 樸素貝葉斯分類器
4.6 基于規(guī)則的分類器
4.6.1 規(guī)則的描述
4.6.2 規(guī)則的有效性
4.6.3 規(guī)則產(chǎn)生算法
4.6.4 分類決策
4.6.5 分類方法
參考文獻(xiàn)
5 聚類分析
5.1 聚類分析概述
5.1.1 聚類分析在數(shù)據(jù)挖掘中的應(yīng)用
5.1.2 聚類分析方法的概念
5.1.3 聚類分析方法的分類
5.1.4 距離與相似性度量
5.2 聚類方法
5.2.1 劃分聚類方法
5.2.2 層次聚類方法
5.2.3 密度聚類方法
參考文獻(xiàn)
6 粗糙集理論
6.1 國內(nèi)外研究現(xiàn)狀
6.2 粗糙集思想
6.3 信息系統(tǒng)
6.4 知識與不可分辨關(guān)系
6.5 不精確范疇、近似和粗糙度
6.6 區(qū)分矩陣
6.7 知識的約簡和核
6.7.1 約簡和核
6.7.2 相對約簡和相對核
6.8 屬性的重要性
6.8.1 基于知識依賴性的屬性重要度
6.8.2 基于信息熵的屬性重要度
6.9 決策規(guī)則的產(chǎn)生
6.10 粗糙集方法在數(shù)據(jù)挖掘中的應(yīng)用范圍
參考文獻(xiàn)
7 屬性約簡算法
7.1 屬性約簡的典型算法
7.1.1 基本算法
7.1.2 啟發(fā)式算法
7.1.3 遺傳算法
7.1.4 復(fù)合系統(tǒng)的約簡
7.1.5 擴(kuò)展法則
7.1.6 動(dòng)態(tài)約簡
7.2 啟發(fā)式屬性約簡算法分析
7.2.1 基于屬性依賴度的約簡算法
7.2.2 基于信息熵的約簡算法
7.2.3 基于屬性重要性和頻度的約簡算法
7.2.4 屬性重要度的完備性分析
7.2.5 屬性約簡算法的綜合分析
7.3 啟發(fā)式屬性約簡算法研究
7.3.1 啟發(fā)式屬性約簡算法（一）
7.3.2 啟發(fā)式屬性約簡算法（二）
7.3.3 啟發(fā)式屬性約簡算法（三）
7.3.4 啟發(fā)式屬性約簡算法（四）
7.3.5 啟發(fā)式屬性約簡算法（五）
參考文獻(xiàn)
8 數(shù)據(jù)挖掘的應(yīng)用
8.1 數(shù)據(jù)挖掘的應(yīng)用舉例
8.1.1 屬性約簡
8.1.2 分類規(guī)則
8.2 數(shù)據(jù)挖掘在農(nóng)業(yè)中的應(yīng)用
8.2.1 農(nóng)作物災(zāi)害預(yù)測實(shí)例
8.2.2 農(nóng)作物病害預(yù)測實(shí)例（一）
8.2.3 農(nóng)作物病害預(yù)測實(shí)例（二）
8.2.4 農(nóng)作物種植實(shí)例
8.2.5 水稻產(chǎn)量預(yù)測實(shí)例
8.3 數(shù)據(jù)挖掘在教學(xué)評價(jià)與教學(xué)中的應(yīng)用
8.3.1 數(shù)據(jù)挖掘在教學(xué)評價(jià)中的應(yīng)用
8.3.2 數(shù)據(jù)挖掘在教學(xué)中的應(yīng)用
參考文獻(xiàn)