數(shù)據(jù)挖掘算法及其應(yīng)用研究

第1章 概論
1.1 數(shù)據(jù)挖掘概念及其產(chǎn)生的背景
1.2 數(shù)據(jù)挖掘起源
1.3 數(shù)據(jù)挖掘任務(wù)
1.4 數(shù)據(jù)挖掘過程
1.5 數(shù)據(jù)挖掘解決的典型問題
1.6 數(shù)據(jù)挖掘常用工具及開發(fā)商

第2章 決策樹算法
2.1 分類原理
2.2 決策樹算法概述
2.3 決策樹相關(guān)概念及定義
2.4 決策樹生成過程
2.5 決策樹算法特點
2.6 決策樹剪枝技術(shù)
2.7 決策樹算法國內(nèi)外研究現(xiàn)狀
2.8 ID3算法
2.9 C4.5算法
2.10 CART算法
2.11 SLIQ算法
2.12 SPRINT算法
2.13 PUBLIC算法
2.14 決策樹算法比較

第3章 貝葉斯分類算法
3.1 貝葉斯分類理論
3.2 貝葉斯分類模型
3.3 貝葉斯分類模型的改進研究
3.4 貝葉斯網(wǎng)絡(luò)
3.5 貝葉斯網(wǎng)絡(luò)應(yīng)用實例

第4章 人工神經(jīng)網(wǎng)絡(luò)算法
4.1 基本概念及特征
4.2 人工神經(jīng)網(wǎng)絡(luò)的分類
4.3 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史
4.4 人工神經(jīng)元模型
4.5 BP神經(jīng)網(wǎng)絡(luò)
4.6 BP神經(jīng)算法應(yīng)用實例

第5章 支持向量機
5.1 概述
5.2 統(tǒng)計學(xué)習(xí)理論
5.3 支持向量機定義
5.4 核函數(shù)
5.5 支持向量機的訓(xùn)練算法
5.6 支持向量機應(yīng)用實例

第6章 關(guān)聯(lián)規(guī)則
6.1 關(guān)聯(lián)規(guī)則相關(guān)定義及基本概念
6.2 APRIORI算法
6.3 從頻繁項集到強關(guān)聯(lián)規(guī)則
6.4 提高APRIORI算法的效率
6.5 Web挖掘

第7章 聚類分析
7.1 概述
7.2 數(shù)據(jù)結(jié)構(gòu)與數(shù)據(jù)類型
7.3 聚類準(zhǔn)則函數(shù)
7.4 主要聚類算法
7.5 K-means聚類算法
7.6 K-means算法應(yīng)用實例

第8章 數(shù)據(jù)挖掘相關(guān)技術(shù)
8.1 粗糙集技術(shù)
8.2 模糊集技術(shù)
8.3 數(shù)據(jù)倉庫

第9章 一數(shù)據(jù)挖掘在信用評估模型中的應(yīng)用
9.1 我國商業(yè)銀行運用數(shù)據(jù)挖掘技術(shù)的必要性
9.2 信用的基本概念
9.3 信用風(fēng)險的影響因素
9.4 風(fēng)險評估的特點
9.5 信用評估模型的主要應(yīng)用技術(shù)
9.6 基于數(shù)據(jù)挖掘的農(nóng)戶小額貸款信用評估模型研究

第10章 數(shù)據(jù)挖掘在決策支持系統(tǒng)中的應(yīng)用
10.1 決策支持系統(tǒng)
10.2 決策支持系統(tǒng)的主要特征及功能
10.3 智能決策支持系統(tǒng)
10.4 基于數(shù)據(jù)挖掘的房地產(chǎn)決策支持系統(tǒng)的開發(fā)
參考文獻