數(shù)據(jù)挖掘理論與應用

第1章 導論
　1.1　數(shù)據(jù)挖掘概述
　1.1.1　數(shù)據(jù)挖掘的背景
　 1.1.2　數(shù)據(jù)挖掘的定義
　 1.1.3　數(shù)據(jù)挖掘的應用
　 1.2　數(shù)據(jù)挖掘的一般過程
　 1.2.1　數(shù)據(jù)挖掘中的數(shù)據(jù)集
　1.2.2　數(shù)據(jù)挖掘的任務
　 1.2.3　數(shù)據(jù)挖掘過程
　 1.3　數(shù)據(jù)挖掘的一般方法
　 1.3.1 分類預測型方法
　 1.3.2 描述型方法
　 1.3.3 文本／Web挖掘方法
理論篇
　第2章 分類方法
　2.1 決策樹
　 2.1.1 決策樹基本概念
　 2.1.2 決策樹構造過程
　2.1.3 決策樹的擴展
　 2.2 前饋神經網絡
　 2.2.1 基本概念
　2.2.2 BP訓練過程
　 2.2.3 RBF網絡
　2.3 基于規(guī)則的方法
　2.3.1 AQ算法
　 2.3.2 C45rules
　 2.3.3 RIPPER
　 2.4 支持向量機
　 2.4.1 核函數(shù)
　2.4.2 線性可分模式下的最優(yōu)超平面
　 2.4.3 線性不可分模式下的最優(yōu)超平面
　 2.4.4 支持向量機
　 2.5　貝葉斯分類
　 2.5.1　貝葉斯理論和極大后驗假設
　 2.5.2　貝葉斯網絡和貝葉斯分類器
　 2.5.3　幾種常見的貝葉斯分類器模型
　2.5.4　貝葉斯分類器應用舉例
　 2.6　粗糙集方法
　 2.6.1　粗糙集概念
　2.6.2　粗糙集基本算法
　 2.6.3　粗糙集方法的擴展
　2.7 其他分類方法
　2.7.1 回歸分析
　 2.7.2 k-最近鄰分類方法
　 2.7.3 組合學習方法
　第3章　聚類方法
　3.1　聚類方法概述
　 3.1.1　聚類分析中的常見數(shù)據(jù)類型
　3.1.2　對聚類算法的一些典型要求
　 3.1.3　主要的聚類方法
　3.2　劃分聚類
　3.2.1 k-均值算法
　 3.2.2 二分k-均值聚類方法
　 3.2.3 k-中心點算法
　 3.3 層次聚類
　 3.3.1 凝聚的和分裂的層次聚類
　 3.3.2 BIRCH算法
　3.3.3 CuRE算法
　 3.3.4 ROCK算法
　3.3.5 Chameleon
　 3.4 基于密度的聚類
　 3.4.1 DBSCAN算法
　3.4.2 OPTICS算法
　 3.5 Kohonen聚類
　 3.5.1 自組織神經網絡
　3.5.2 Kohonen自組織映射
　 3.6 孤立點分析
　 3.6.1　基于統(tǒng)計的孤立點檢測
　3.6.2　基于距離的孤立點檢測
　 3.6.3　基于偏離的孤立點檢測方法
　3.7 概念格
　3.7.1　基本概念
　 3.7.2　概念格的建造
　 3.7.3　規(guī)則提取
　第4章 關聯(lián)分析
　4.1　基本概念與挖掘過程
　4.1.1　基本概念
　 4.1.2　關聯(lián)規(guī)則挖掘過程
　4.2　頻繁項集挖掘算法
　4.2.1 Apriori算法
　 4.2.2 Apriori算法的改進
　 4.2.3 FP＿Growth算法
　 4.3　關聯(lián)規(guī)則生成算法
　4.4　頻繁閉項集挖掘
　 4.5　關聯(lián)規(guī)則的擴展
　 4.5.1　多層次關聯(lián)規(guī)則
　 4.5.2　多維關聯(lián)規(guī)則
　 4.5.3　定量關聯(lián)規(guī)則
　 4.5.4　加權關聯(lián)規(guī)則
　 4.5.5　序列模式分析
　第5章 文本與Web挖掘
　5.1　文本挖掘
　5.1.1　文本預處理
　 5.1.2　文本檢索
　 5.1.3　文本分類
　 5.1.4　文本聚類
　 5.1.5　文本摘要
　5.2 Web挖掘
　 5.2.1 概述
　 5.2.2 Web內容挖掘
　 5.2.3 Web結構挖掘
　5.2.4 Web使用挖掘
應用篇
　第6章 業(yè)務理解
　6.1　需求分析
　6.1.1　需求分析的內容
　 6.1.2　需求分析的方法
　 6.1.3　需求分析的結果
　6.1.4　需求分析的注意事項
　 6.2　實例：客戶細分項目的需求分析
　 6.2.1　客戶細分項目的內容
　6.2.2　分析方法
　 6.2.3　分析結果
　第7章　數(shù)據(jù)預處理
　7.1　數(shù)據(jù)理解
　 7.2　數(shù)據(jù)準備
　 7.2.1　數(shù)據(jù)整理與合并
　 7.2.2　數(shù)據(jù)抽樣
　 7.2.3　訓練集和測試集的劃分方法
　 7.2.4　類標簽的確定
　 7.3　數(shù)據(jù)描述
　 7.3.1　單變量描述方法
　7.3.2　多變量描述方法
　 7.4　數(shù)據(jù)清理
　 7.4.1　缺值處理
　7.4.2　探測異常點與噪聲清除
　 7.5　變量變換與合成
　 7.5.1　連續(xù)變量歸一化
　7.5.2　離散變量的數(shù)值化
　 7.5.3　連續(xù)變量離散化
　 7.5.4　變量變換
　7.5.5　變量合成
　 7.6　變量選擇
　 7.6.1　概述
　7.6.2　包裝方法
　 7.6.3　過濾方法
　 7.6.4　主成分及因子分析
　 7.7 一些算法對預處理的要求
　7.8 實例：客戶流失項目的數(shù)據(jù)預處理
　7.8.1　數(shù)據(jù)理解和數(shù)據(jù)準備
　 7.8.2　數(shù)據(jù)描述和清理
　 7.8.3　數(shù)據(jù)變換與選擇
　第8章 建模
　8.1 算法選擇
　 8.2 模型參數(shù)調整
　8.3 模型評估和性能比較
　8.3.1 分類模型的評估方法
　 8.3.2 聚類模型的評估方法
　 8.4 模型導出
　8.5 實例客戶流失項目的建模
　8.5.1 算法選擇
　 8.5.2 參數(shù)調整
　 8.5.3 性能評估
　 8.5.4 模型導出
　第9章 模型部署與維護
　9.1 模型部署
　 9.2 模型維護
　 9.3 客戶流失項目的模型部署與維護
附錄A 主要數(shù)據(jù)挖掘軟件簡介
A1 SAS Enterprise Miner
A1.1 概述
A1.2 數(shù)據(jù)挖掘過程及模塊
A2 SPSS Clementine
A2.1 概述
A2.2 數(shù)據(jù)挖掘過程及模塊
A3 IBM Intelligent Miner
A3.1 概述
A3.2 數(shù)據(jù)挖掘過程及模塊
A4 其他常見數(shù)據(jù)挖掘工具
參考文獻