數(shù)據(jù)挖掘基礎(chǔ)教程

出版者的話
譯者序
前言
第1章 數(shù)據(jù)挖掘
1.1 引言
　　1.1.1　數(shù)據(jù)挖掘與知識發(fā)現(xiàn)
　　1.1.2　數(shù)據(jù)挖掘與數(shù)據(jù)分析
　　1.1.3　數(shù)據(jù)挖掘與統(tǒng)計(jì)學(xué)
　　1.1.4　數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)
1.2　數(shù)據(jù)挖掘——成功的例子
1.3　數(shù)據(jù)挖掘研究發(fā)展的主要原因
1.4　當(dāng)前研究成果
1.5　圖形模型和層次概率表示
1.6　新的應(yīng)用
1.7　影響數(shù)據(jù)挖掘的趨勢
1.8　研究挑戰(zhàn)
1.9　實(shí)驗(yàn)平臺和基礎(chǔ)設(shè)施
參考文獻(xiàn)
第2章 從商務(wù)角度看數(shù)據(jù)挖掘
2.1 引言
2.2　從數(shù)據(jù)挖掘工具到解決方案
2.3　數(shù)據(jù)挖掘系統(tǒng)的演變
2.4　知識發(fā)現(xiàn)過程
　2.5　數(shù)據(jù)挖掘支撐技術(shù)概述
　　2.5.1　數(shù)據(jù)挖掘：驗(yàn)證與發(fā)現(xiàn)
　　2.5.2　決策支持系統(tǒng)
　　2.5.3　OLAP
　　2.5.4　桌面DSS
　　2.5.5　數(shù)據(jù)倉庫
　　2.5.6　數(shù)據(jù)挖掘過程
　2.6　數(shù)據(jù)挖掘技術(shù)
　參考文獻(xiàn)
第3章 數(shù)據(jù)挖掘算法的數(shù)據(jù)類型、輸入和輸出
　3.1 引言
　3.2　實(shí)例和特征
　3.3　特征（數(shù)據(jù)）的不同類型
　3.4　概念學(xué)習(xí)與概念描述
　3.5　數(shù)據(jù)挖掘的輸出——知識表示
　　3.5.1　分類學(xué)習(xí)算法的知識輸出
　　3.5.2　聚類學(xué)習(xí)算法的輸出
　　3.5.3　關(guān)聯(lián)規(guī)則的輸出
　　3.5.4　用于數(shù)值預(yù)測的樹的輸出
　　3.5.5　基于實(shí)例的學(xué)習(xí)和知識表示
　參考文獻(xiàn)
第4章 決策樹——分類和回歸樹
　4.1 引言
　4.2　構(gòu)造分類樹
　　4.2.1　用于標(biāo)稱屬性的ID3算法
　　4.2.2　信息論和信息熵
　　4.2.3　構(gòu)造樹
　　4.2.4　高分支屬性
　　4.2.5　從ID3到C4.5
　　4.2.6　形象化地理解ID3和C4.5算法
　4.3 CHAID
　　4.3.1 CHAID的數(shù)學(xué)工具
　　4.3.2 CHAID變量的類型
　　4.3.3 CHAID算法
　　4.3.4 CHAID算法描述
　　4.3.5　將CHAID用于氣象數(shù)據(jù)
　　4.3.6　單調(diào)變量的預(yù)測子級別合并
　4.4　CART（分類和回歸樹）
　　……
第5章　數(shù)據(jù)挖掘的預(yù)處理和后處理
第6章　數(shù)據(jù)集
第7章　關(guān)聯(lián)規(guī)則挖掘
第8章　用開源和商業(yè)軟件進(jìn)行機(jī)器學(xué)習(xí)
第9章　分類和回歸算法
第10章　支持向量機(jī)
第11章　聚類分析
第12章　多維數(shù)據(jù)可視化
參考文獻(xiàn)
附錄A　SVM公式：安全可分的線性分類器
附錄B　圖劃分的矩陣形式