數據挖掘技術與應用

1 緒論
1.1 數據挖掘的起源
1.2 數據挖掘的現狀
1.3 數據挖掘的概念
1.3.1 數據挖掘的技術含義
1.3.2 數據挖掘的理論基礎
1.3.3 數據的分類
1.3.4 訓練集和測試集
1.3.5 學習
1.4 數據挖掘的功能
1.5 數據挖掘的過程
1.6 數據挖掘的分類
1.6.1 根據數據庫類型分類
1.6.2 根據知識類型分類
1.6.3 根據技術分類
1.6.4 根據應用分類
1.7 數據挖掘的方法
1.7.1 決策樹方法
1.7.2 神經網絡方法
1.7.3 模糊集方法
1.7.4 遺傳算法
1.7.5 統(tǒng)計分析方法
1.7.6 粗糙集方法
1.8 數據挖掘的應用分析
1.8.1 數據挖掘在體育競技中的應用
1.8.2 數據挖掘在商業(yè)銀行中的應用
1.8.3 數據挖掘在電信中的應用
1.8.4 數據挖掘在科學探索中的應用
1.8.5 數據挖掘在信息安全中的應用
1.9 數據挖掘的發(fā)展趨勢與面對的問題
參考文獻
2 數據
2.1 數據類型
2.1.1 屬性與度量
2.1.2 數據集的類型
2.2 數據預處理
2.2.1 數據清理
2.2.2 數據集成
2.2.3 數據變換
2.2.4 數據歸約
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 數據對象之間的相異度
2.3.4 數據對象之間的相似度
2.3.5 鄰近性度量舉例
參考文獻
3 關聯(lián)規(guī)則
3.1 關聯(lián)規(guī)則概念
3.2 Apriori關聯(lián)規(guī)則算法
3.2.1 發(fā)現頻繁項目集
3.2.2 生成關聯(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 基于事務壓縮的方法
3.3.5 基于動態(tài)項目集計數的方法
3.4 關聯(lián)規(guī)則挖掘的深人問題
3.4.1 多層次關聯(lián)規(guī)則挖掘
3.4.2 多維關聯(lián)規(guī)則挖掘
3.4.3 數量關聯(lián)規(guī)則挖掘
參考文獻
4 分類和預測
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)則產生算法
4.6.4 分類決策
4.6.5 分類方法
參考文獻
5 聚類分析
5.1 聚類分析概述
5.1.1 聚類分析在數據挖掘中的應用
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
6 粗糙集理論
6.1 國內外研究現狀
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)則的產生
6.10 粗糙集方法在數據挖掘中的應用范圍
參考文獻
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 復合系統(tǒng)的約簡
7.1.5 擴展法則
7.1.6 動態(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
8 數據挖掘的應用
8.1 數據挖掘的應用舉例
8.1.1 屬性約簡
8.1.2 分類規(guī)則
8.2 數據挖掘在農業(yè)中的應用
8.2.1 農作物災害預測實例
8.2.2 農作物病害預測實例（一）
8.2.3 農作物病害預測實例（二）
8.2.4 農作物種植實例
8.2.5 水稻產量預測實例
8.3 數據挖掘在教學評價與教學中的應用
8.3.1 數據挖掘在教學評價中的應用
8.3.2 數據挖掘在教學中的應用
參考文獻