數(shù)據(jù)挖掘?qū)д?/h1>

第1章 認(rèn)識(shí)數(shù)據(jù)挖掘 1
1.1 數(shù)據(jù)挖掘的定義 1
1.2 機(jī)器學(xué)習(xí) 2
1.2.1 概念學(xué)習(xí) 2
1.2.2 歸納學(xué)習(xí) 3
1.2.3 有指導(dǎo)的學(xué)習(xí) 4
1.2.4 無(wú)指導(dǎo)的聚類(lèi) 7
1.3 數(shù)據(jù)查詢 8
1.4 專(zhuān)家系統(tǒng) 8
1.5 數(shù)據(jù)挖掘的過(guò)程 9
1.5.1 準(zhǔn)備數(shù)據(jù) 10
1.5.2 挖掘數(shù)據(jù) 10
1.5.3 解釋和評(píng)估數(shù)據(jù) 10
1.5.4 模型應(yīng)用 11
1.6 數(shù)據(jù)挖掘的作用 11
1.6.1 分類(lèi) 11
1.6.2 估計(jì) 12
1.6.3 預(yù)測(cè) 12
1.6.4 無(wú)指導(dǎo)聚類(lèi) 12
1.6.5 關(guān)聯(lián)關(guān)系分析 13
1.7 數(shù)據(jù)挖掘技術(shù) 13
1.7.1 神經(jīng)網(wǎng)絡(luò) 14
1.7.2 回歸分析 14
1.7.3 關(guān)聯(lián)分析 15
1.7.4 聚類(lèi)技術(shù) 16
1.8 數(shù)據(jù)挖掘的應(yīng)用 16
1.8.1 應(yīng)用領(lǐng)域 16
1.8.2 成功案例 18
1.9 Weka數(shù)據(jù)挖掘軟件 19
1.9.1 Weka簡(jiǎn)介 19
1.9.2 使用Weka建立決策樹(shù)模型 22
1.9.3 使用Weka進(jìn)行聚類(lèi) 25
1.9.4 使用Weka進(jìn)行關(guān)聯(lián)分析 26
本章小結(jié) 27
習(xí)題 28
第2章 基本數(shù)據(jù)挖掘技術(shù) 30
2.1 決策樹(shù) 30
2.1.1 決策樹(shù)算法的一般過(guò)程 31
2.1.2 決策樹(shù)算法的關(guān)鍵技術(shù) 32
2.1.3 決策樹(shù)規(guī)則 40
2.1.4 其他決策樹(shù)算法 41
2.1.5 決策樹(shù)小結(jié) 41
2.2 關(guān)聯(lián)規(guī)則 42
2.2.1 關(guān)聯(lián)規(guī)則概述 42
2.2.2 關(guān)聯(lián)分析 43
2.2.3 關(guān)聯(lián)規(guī)則小結(jié) 46
2.3 聚類(lèi)分析技術(shù) 47
2.3.1 K-means算法 48
2.3.2 K-means算法小結(jié) 51
2.4 數(shù)據(jù)挖掘技術(shù)的選擇 51
本章小結(jié) 52
習(xí)題 53
第3章 數(shù)據(jù)庫(kù)中的知識(shí)發(fā)現(xiàn) 55
3.1 知識(shí)發(fā)現(xiàn)的基本過(guò)程 55
3.1.1 KDD過(guò)程模型 55
3.1.2 知識(shí)發(fā)現(xiàn)軟件 57
3.1.3 KDD過(guò)程的參與者 58
3.2 KDD過(guò)程模型的應(yīng)用 58
3.2.1 步驟1：商業(yè)理解 58
3.2.2 步驟2：數(shù)據(jù)理解 59
3.2.3 步驟3：數(shù)據(jù)準(zhǔn)備 60
3.2.4 步驟4：建模 65
3.2.5 評(píng)估 66
3.2.6 部署和采取行動(dòng) 66
3.3 實(shí)驗(yàn)：KDD案例 66
本章小結(jié) 72
習(xí)題 73
第4章 數(shù)據(jù)倉(cāng)庫(kù) 74
4.1 數(shù)據(jù)庫(kù)與數(shù)據(jù)倉(cāng)庫(kù) 74
4.1.1 數(shù)據(jù)(庫(kù))模型 75
4.1.2 規(guī)范化與反向規(guī)范化 77
4.2 設(shè)計(jì)數(shù)據(jù)倉(cāng)庫(kù) 79
4.2.1 數(shù)據(jù)抽取、清洗、變換和加載 79
4.2.2 數(shù)據(jù)倉(cāng)庫(kù)模型 82
4.2.3 數(shù)據(jù)集市 85
4.2.4 決策支持系統(tǒng) 86
4.3 聯(lián)機(jī)分析處理 87
4.3.1 概述 87
4.3.2 實(shí)驗(yàn)：使用OLAP輔助駕駛員行為分析 90
4.4 使用Excel數(shù)據(jù)透視表和數(shù)據(jù)透視圖分析數(shù)據(jù) 93
4.4.1 創(chuàng)建簡(jiǎn)單數(shù)據(jù)透視表和透視圖 93
4.4.2 創(chuàng)建多維透視表和透視圖 97
本章小結(jié) 100
習(xí)題 100
第5章 評(píng)估技術(shù) 102
5.1 數(shù)據(jù)挖掘評(píng)估概述 102
5.1.1 評(píng)估內(nèi)容 102
5.1.2 評(píng)估工具 103
5.2 評(píng)估有指導(dǎo)學(xué)習(xí)模型 108
5.2.1 評(píng)估分類(lèi)類(lèi)型輸出模型 108
5.2.2 評(píng)估數(shù)值型輸出模型 109
5.2.3 計(jì)算檢驗(yàn)集置信區(qū)間 111
5.2.4 無(wú)指導(dǎo)聚類(lèi)技術(shù)的評(píng)估作用 112
5.3 比較有指導(dǎo)學(xué)習(xí)模型 112
5.3.1 使用Lift比較模型 112
5.3.2 通過(guò)假設(shè)檢驗(yàn)比較模型 114
5.4 屬性評(píng)估 115
5.4.1 數(shù)值型屬性的冗余檢查 115
5.4.2 數(shù)值屬性顯著性的假設(shè)檢驗(yàn) 117
5.5 評(píng)估無(wú)指導(dǎo)聚類(lèi)模型 118
本章小結(jié) 118
習(xí)題 119
第6章 神經(jīng)網(wǎng)絡(luò)技術(shù) 120
6.1 神經(jīng)網(wǎng)絡(luò)概述 120
6.1.1 神經(jīng)網(wǎng)絡(luò)模型 120
6.1.2 神經(jīng)網(wǎng)絡(luò)的輸入和輸出數(shù)據(jù)格式 121
6.1.3 激勵(lì)函數(shù) 123
6.2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練 124
6.2.1 反向傳播學(xué)習(xí) 124
6.2.2 自組織映射的無(wú)指導(dǎo)聚類(lèi) 127
6.2.3 實(shí)驗(yàn)：應(yīng)用BP算法建立前饋神經(jīng)網(wǎng)絡(luò) 130
6.3 神經(jīng)網(wǎng)絡(luò)模型的優(yōu)勢(shì)和缺點(diǎn) 138
本章小結(jié) 138
習(xí)題 139
第7章 統(tǒng)計(jì)技術(shù) 141
7.1 回歸分析 141
7.1.1 線性回歸分析 142
7.1.2 非線性回歸 149
7.1.3 樹(shù)回歸 151
7.2 貝葉斯分析 152
7.3 聚類(lèi)技術(shù) 156
7.3.1 分層聚類(lèi) 156
7.3.2 基于模型的聚類(lèi) 163
7.4 數(shù)據(jù)挖掘中的統(tǒng)計(jì)技術(shù)與機(jī)器學(xué)習(xí)技術(shù) 165
本章小結(jié) 165
習(xí)題 167
第8章 時(shí)間序列和基于Web的數(shù)據(jù)挖掘 169
8.1 時(shí)間序列分析 169
8.1.1 概述 169
8.1.2 線性回歸分析解決時(shí)間序列問(wèn)題 173
8.1.3 神經(jīng)網(wǎng)絡(luò)技術(shù)解決時(shí)間序列問(wèn)題 175
8.2 基于Web的數(shù)據(jù)挖掘 176
8.2.1 概述 176
8.2.2 Web文本挖掘 178
8.2.3 Web使用挖掘 179
8.3 多模型分類(lèi)技術(shù) 185
8.3.1 裝袋技術(shù) 185
8.3.2 推進(jìn)技術(shù) 185
本章小結(jié) 186
習(xí)題 187
附錄A 詞匯表 188
附錄B 數(shù)據(jù)挖掘數(shù)據(jù)集 201
參考文獻(xiàn)