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(lèi)
1.3.4 訓(xùn)練集和測(cè)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(guò)程
1.6 數(shù)據(jù)挖掘的分類(lèi)
1.6.1 根據(jù)數(shù)據(jù)庫(kù)類(lèi)型分類(lèi)
1.6.2 根據(jù)知識(shí)類(lèi)型分類(lèi)
1.6.3 根據(jù)技術(shù)分類(lèi)
1.6.4 根據(jù)應(yīng)用分類(lèi)
1.7 數(shù)據(jù)挖掘的方法
1.7.1 決策樹(shù)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(jìng)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(shì)與面對(duì)的問(wèn)題
參考文獻(xiàn)
2 數(shù)據(jù)
2.1 數(shù)據(jù)類(lèi)型
2.1.1 屬性與度量
2.1.2 數(shù)據(jù)集的類(lèi)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(jiǎn)單屬性之間的鄰近度
2.3.3 數(shù)據(jù)對(duì)象之間的相異度
2.3.4 數(shù)據(jù)對(duì)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(wèn)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(lèi)和預(yù)測(cè)
4.1 分類(lèi)概念
4.2 分類(lèi)規(guī)則
4.2.1 分類(lèi)規(guī)則原理
4.2.2 分類(lèi)規(guī)則算法步驟
4.2.3 分類(lèi)規(guī)則模式
4.3 基于距離的分類(lèi)器
4.4 決策樹(shù)分類(lèi)器
4.4.1 決策樹(shù)基本算法
4.4.2 決策樹(shù)分類(lèi)舉例
4.4.3 ID3算法
4.5 貝葉斯分類(lèi)器
4.5.1 貝葉斯定理
4.5.2 貝葉斯定理在分類(lèi)中的應(yīng)用
4.5.3 樸素貝葉斯分類(lèi)器
4.6 基于規(guī)則的分類(lèi)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(lèi)決策
4.6.5 分類(lèi)方法
參考文獻(xiàn)
5 聚類(lèi)分析
5.1 聚類(lèi)分析概述
5.1.1 聚類(lèi)分析在數(shù)據(jù)挖掘中的應(yīng)用
5.1.2 聚類(lèi)分析方法的概念
5.1.3 聚類(lèi)分析方法的分類(lèi)
5.1.4 距離與相似性度量
5.2 聚類(lèi)方法
5.2.1 劃分聚類(lèi)方法
5.2.2 層次聚類(lèi)方法
5.2.3 密度聚類(lèi)方法
參考文獻(xiàn)
6 粗糙集理論
6.1 國(guó)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(shí)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(shí)的約簡(jiǎn)和核
6.7.1 約簡(jiǎn)和核
6.7.2 相對(duì)約簡(jiǎn)和相對(duì)核
6.8 屬性的重要性
6.8.1 基于知識(shí)依賴(lài)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(jiǎn)算法
7.1 屬性約簡(jiǎn)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(jiǎn)
7.1.5 擴(kuò)展法則
7.1.6 動(dòng)態(tài)約簡(jiǎn)
7.2 啟發(fā)式屬性約簡(jiǎn)算法分析
7.2.1 基于屬性依賴(lài)度的約簡(jiǎn)算法
7.2.2 基于信息熵的約簡(jiǎn)算法
7.2.3 基于屬性重要性和頻度的約簡(jiǎn)算法
7.2.4 屬性重要度的完備性分析
7.2.5 屬性約簡(jiǎn)算法的綜合分析
7.3 啟發(fā)式屬性約簡(jiǎn)算法研究
7.3.1 啟發(fā)式屬性約簡(jiǎn)算法（一）
7.3.2 啟發(fā)式屬性約簡(jiǎn)算法（二）
7.3.3 啟發(fā)式屬性約簡(jiǎn)算法（三）
7.3.4 啟發(fā)式屬性約簡(jiǎn)算法（四）
7.3.5 啟發(fā)式屬性約簡(jiǎn)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(jiǎn)
8.1.2 分類(lèi)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(cè)實(shí)例
8.2.2 農(nóng)作物病害預(yù)測(cè)實(shí)例（一）
8.2.3 農(nóng)作物病害預(yù)測(cè)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(cè)實(shí)例
8.3 數(shù)據(jù)挖掘在教學(xué)評(píng)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(píng)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)