實戰(zhàn)大數(shù)據(jù) MATLAB數(shù)據(jù)挖掘詳解與實踐

第1章 緒論 1
1.1 數(shù)據(jù)挖掘概述 2
1.2 數(shù)據(jù)挖掘的分類 4
1.3 數(shù)據(jù)挖掘的過程 5
1.4 數(shù)據(jù)挖掘的任務 6
1.5 數(shù)據(jù)挖掘的對象 8
1.5.1 數(shù)據(jù)庫 8
1.5.2 文本 10
1.5.3 圖像與視頻數(shù)據(jù) 10
1.5.4 Web數(shù)據(jù) 11
1.6 數(shù)據(jù)挖掘建模方法 11
1.6.1 業(yè)務理解 12
1.6.2 數(shù)據(jù)理解 13
1.6.3 數(shù)據(jù)準備 13
1.6.4 建模 14
1.6.5 評估 15
1.6.6 部署 16
1.7 數(shù)據(jù)挖掘的應用 16
1.7.1 在金融領域的應用 16
1.7.2 在零售業(yè)中的應用 17
1.7.3 在電信業(yè)的應用 18
1.7.4 在管理中的應用 19
1.7.5 在化學研究領域中的應用 19
1.7.6 在材料研究、生產(chǎn)方面的應用 20
1.7.7 在機械故障診斷與監(jiān)測中的應用 21
1.7.8 在醫(yī)療領域中的應用 22
第2章 數(shù)據(jù)挖掘算法 25
2.1 決策樹算法 26
2.1.1 決策樹基本算法 27
2.1.2 ID3算法 29
2.1.3 C4.5算法 30
2.1.4 CART算法 31
2.1.5 決策樹的評價標準 32
2.1.6 決策樹的剪枝及優(yōu)化 33
2.1.7 基于matlab的決策樹分析 34
2.2 人工神經(jīng)網(wǎng)絡算法 41
2.2.1 人工神經(jīng)網(wǎng)絡概述 41
2.2.2 人工神經(jīng)網(wǎng)絡的基本模型 41
2.2.3 BP神經(jīng)網(wǎng)絡 43
2.2.4 RBF神經(jīng)網(wǎng)絡 45
2.2.5 SOM神經(jīng)網(wǎng)絡 46
2.2.6 反饋型神經(jīng)網(wǎng)絡（Hopfield） 47
2.2.7 基于matlab的神經(jīng)網(wǎng)絡方法 49
2.3 進化算法 55
2.3.1 進化算法的基本原理 56
2.3.2 基因算法的主要步驟 60
2.3.3 基本遺傳算法 61
2.3.4 進化規(guī)劃算法 63
2.3.5 進化策略計算 64
2.3.6 量子遺傳算法 68
2.3.7 人工免疫算法 72
2.3.8 基于matlab的進化算法 80
2.4 統(tǒng)計分析方法 87
2.4.1 假設檢驗 87
2.4.2 回歸分析 91
2.4.3 二項邏輯（logistic）回歸 100
2.4.4 方差分析 104
2.4.5 主成分分析 107
2.4.6 因子分析 110
2.4.7 基于matlab的統(tǒng)計分析方法 113
2.5 貝葉斯網(wǎng)絡方法 141
2.5.1 貝葉斯定理、先驗和后驗 142
2.5.2 貝葉斯網(wǎng)絡 142
2.5.3 貝葉斯網(wǎng)絡學習 143
2.5.4 主要貝葉斯網(wǎng)絡模型 145
2.5.5 基于matlab的貝葉斯網(wǎng)絡方法 148
2.6 支持向量機 160
2.6.1 支持向量機概述 160
2.6.2 核函數(shù) 162
2.6.3 基于matlab的支持向量機方法 164
2.7 關聯(lián)分析 167
2.7.1 概述 167
2.7.2 Apriori關聯(lián)規(guī)則算法 170
2.7.3 基于分類搜索的關聯(lián)規(guī)則算法 171
2.7.4 時序關聯(lián)規(guī)則算法 173
2.7.5 多值屬性關聯(lián)規(guī)則算法 174
2.7.6 增量關聯(lián)規(guī)則算法 175
2.7.7 基于關聯(lián)規(guī)則的分類算法 176
2.7.8 模糊關聯(lián)分類算法 177
2.7.9 關聯(lián)規(guī)則的評價 178
2.7.10 辛普森悖論 179
2.7.11 基于matlab的關聯(lián)規(guī)則分析 180
2.8 其他數(shù)據(jù)挖掘方法 182
2.8.1 近鄰法 182
2.8.2 K-means聚類 184
2.8.3 基于matlab的近鄰法及k-means聚類法 187
第3章 數(shù)據(jù)挖掘相關技術 191
3.1 數(shù)據(jù)倉庫 192
3.1.1 概述 192
3.1.2 數(shù)據(jù)倉庫設計 195
3.1.3 數(shù)據(jù)倉庫的開發(fā)應用 199
3.1.4 數(shù)據(jù)倉庫的技術管理 209
3.1.5 OLAP技術 210
3.1.6 基于matlab的數(shù)據(jù)倉庫開發(fā)技術 214
3.2 模糊集理論 234
3.1.1 模糊集合 234
3.1.2 模糊關系 237
3.1.3 模糊聚類 239
3.3.5 基于matlab的模糊集處理技術 244
3.3 粗糙集技術 255
3.3.1 粗糙集理論的基本概念 256
3.3.2 分類規(guī)則的形成 259
3.3.3 知識的約簡 259
3.3.4 模糊集與粗糙集 261
3.3.5 基于matlab的粗糙集處理方法 262
3.4 目標優(yōu)化技術 265
3.4.1 極值問題 266
3.4.2 無約束非線性規(guī)劃 267
3.4.3 有約束非線性規(guī)劃 270
3.4.4 大規(guī)模優(yōu)化問題的分解算法 270
3.4.5 其他優(yōu)化方法 273
3.4.6 基于matlab的目標優(yōu)化方法 274
3.5 可視化技術 281
3.5.1 可視化技術分類 282
3.5.2 多維數(shù)據(jù)可視化 283
3.5.3 圖形的特征分析 294
3.5.4 基于多元圖的圖形分類方法 297
3.5.5 基于色度學空間的多元圖表示 299
3.5.6 基于matlab的數(shù)據(jù)可視化技術 300
3.6 公式發(fā)現(xiàn) 314
3.6.1 概述 315
3.6.2 公式發(fā)現(xiàn)系統(tǒng)中的知識 315
3.6.3 基于matlab的公式發(fā)現(xiàn) 319
3.7 多媒體數(shù)據(jù)挖掘技術 320
3.7.1 文本挖掘 323
3.7.2 圖像挖掘 331
3.7.3 視頻挖掘 331
3.7.4 音頻挖掘 332
3.7.5 復合類型數(shù)據(jù)的挖掘 333
3.8 Web數(shù)據(jù)挖掘技術 334
3.8.1 Web內(nèi)容挖掘 335
3.8.2 Web結(jié)構(gòu)挖掘 337
3.8.3 Web使用挖掘 338
第4章 數(shù)據(jù)挖掘應用實戰(zhàn) 343
4.1 數(shù)據(jù)關系發(fā)現(xiàn) 344
4.2 數(shù)據(jù)統(tǒng)計特性 344
4.3 數(shù)據(jù)預處理 349
4.3.1 數(shù)據(jù)清理 349
4.3.2 數(shù)據(jù)集成與轉(zhuǎn)換 351
4.3.3 數(shù)據(jù)歸約與濃縮 353
4.3.4 數(shù)值數(shù)據(jù)的概念分層與離散化 360
4.3.5 例題 362
4.4 分類 373
4.5 例題 376
4.6 預測 381
4.6.1 回歸分析 381
4.6.2 時間序列預測模型 385
4.6.3 馬爾可夫鏈 389
4.6.4 灰色系統(tǒng)方法 390
4.6.5 例題 398
4.7 聚類 418
4.7.1 聚類分析概述 418
4.7.2 聚類分析中的數(shù)據(jù)類型 419
4.7.3相似性度量 422
4.7.4 聚類的特征 427
4.7.5 聚類準則 427
4.7.6 劃分方法 429
4.7.7 層次方法 430
4.7.8 基于密度的方法 433
4.7.9 基于網(wǎng)格的方法 434
4.7.10 基于模型的聚類方法 435
4.4.11 基于目標函數(shù)的方法 436
4.7.12 離群點檢測 438
4.7.13 聚類有效性 445
4.7.14 例題 448
4.8 時序數(shù)據(jù)挖掘 462
4.8.1 基本定義 463
4.8.2 時序數(shù)據(jù)挖掘參數(shù) 464
4.8.3 時序關聯(lián)規(guī)則 464
4.8.4 時間序列挖掘 466
4.8.5 時間序列分段線性表示 468
4.8.6 時間序列的預測 469
4.8.7 例題 469
4.9 關聯(lián)規(guī)則挖掘 481
4.9.1 關聯(lián)規(guī)則的類型及挖掘算法 481
4.9.2 基于組織進化的關聯(lián)規(guī)則挖掘 481
4.9.3 基于組織層次進化的關聯(lián)規(guī)則挖掘 483
4.9.4 多維關聯(lián)規(guī)則挖掘 484
4.9.5 關聯(lián)規(guī)則擴展 485
4.9.6 例題 487
參考文獻 500