清華大學計算機系列教材·數(shù)據(jù)挖掘：方法與應用簡介，目錄書摘
本書可作為有一定數(shù)據(jù)結構、數(shù)據(jù)庫和程序設計基礎的研究生或本科生開展數(shù)據(jù)挖掘知識學習和研究的入門性教材與參考讀物。
第1章緒論
1.1應用背景
1.1.1商業(yè)上的驅動
1.1.2科學研究上的驅動
1.1.3數(shù)據(jù)挖掘伴隨著數(shù)據(jù)庫技術而出現(xiàn)
1.2什么是數(shù)據(jù)挖掘
1.2.1基本描述
1.2.2關于知識發(fā)現(xiàn)
1.3數(shù)據(jù)挖掘的主要技術
1.4數(shù)據(jù)挖掘的主要研究內(nèi)容
1.5數(shù)據(jù)挖掘面臨的主要問題
1.6數(shù)據(jù)挖掘相關的資料
1.7本書的總體章節(jié)安排
1.8小結
參考文獻
第2章數(shù)據(jù)預處理
2.1前言
2.2數(shù)據(jù)預處理的基本概念
2.2.1數(shù)據(jù)的基本概念
2.2.2為什么要進行數(shù)據(jù)預處理
2.2.3數(shù)據(jù)預處理的任務
2.3數(shù)據(jù)的描述
2.3.1描述數(shù)據(jù)的中心趨勢
2.3.2描述數(shù)據(jù)的分散程度
2.3.3描述數(shù)據(jù)的其他方式
2.4數(shù)據(jù)清洗
2.4.1數(shù)據(jù)缺失的處理
2.4.2數(shù)據(jù)清洗
2.5數(shù)據(jù)集成和轉換
2.5.1數(shù)據(jù)集成
2.5.2數(shù)據(jù)冗余性
2.5.3數(shù)據(jù)轉換
2.6數(shù)據(jù)歸約和變換
2.6.1數(shù)據(jù)歸約
2.6.2數(shù)據(jù)離散化
2.6.3概念層次生成
2.7小結
參考文獻
第3章數(shù)據(jù)倉庫
3.1前言
3.2數(shù)據(jù)庫基本概念回顧
3.2.1數(shù)據(jù)庫簡介
3.2.2表、記錄和域
3.2.3數(shù)據(jù)庫管理系統(tǒng)
3.3數(shù)據(jù)倉庫簡介
3.3.1數(shù)據(jù)倉庫特點
3.3.2數(shù)據(jù)倉庫概念
3.3.3數(shù)據(jù)倉庫作用
3.3.4數(shù)據(jù)倉庫與DBMS對比
3.3.5分離數(shù)據(jù)倉庫的原因
3.4多維數(shù)據(jù)模型
3.4.1數(shù)據(jù)立方體
3.4.2概念模型
3.4.3概念分層
3.4.4典型OLAP操作
3.4.5星型網(wǎng)絡的查詢模型
3.5數(shù)據(jù)倉庫結構
3.5.1數(shù)據(jù)倉庫設計
3.5.2多層體系結構
3.6數(shù)據(jù)倉庫的功能
3.6.1數(shù)據(jù)立方體的有效計算
3.6.2索引OLAP數(shù)據(jù)
3.6.3OLAP查詢的有效處理
3.7從數(shù)據(jù)倉庫到數(shù)據(jù)挖掘
3.7.1數(shù)據(jù)倉庫應用
3.7.2從OLAP到OLAM
3.8小結
參考文獻
第4章相關性與關聯(lián)規(guī)則
4.1基本概念
4.1.1潛在的應用
4.1.2購物籃問題
4.1.3頻繁模式分析、閉項集和關聯(lián)規(guī)則
4.2頻繁項集挖掘方法
4.2.1Apriori算法
4.2.2由頻繁項集產(chǎn)生關聯(lián)規(guī)則
4.2.3提高Apriori的效率
4.2.4挖掘頻繁項集的模式增長方法
4.3多種關聯(lián)規(guī)則挖掘
4.3.1挖掘多層關聯(lián)規(guī)則
4.3.2挖掘多維關聯(lián)規(guī)則
4.3.3挖掘量化關聯(lián)規(guī)則
4.4從關聯(lián)分析到相關分析
4.4.1相關分析
4.4.2強規(guī)則不一定是有價值的
4.4.3挖掘高度關聯(lián)的模式
4.5基于約束的頻繁模式挖掘
4.5.1關聯(lián)規(guī)則的元規(guī)則制導挖掘
4.5.2基于約束的模式生成: 模式空間剪枝和數(shù)據(jù)空間剪枝
4.6小結
參考文獻
第5章分類和預測
5.1前言
5.2基本概念
5.2.1什么是分類
5.2.2什么是預測
5.3關于分類和預測的問題
5.3.1準備分類和預測的數(shù)據(jù)
5.3.2評價分類和預測方法
5.4決策樹分類
5.4.1決策樹歸納
5.4.2屬性選擇度量
5.4.3提取分類規(guī)則
5.4.4基本決策樹歸納的增強
5.4.5在大數(shù)據(jù)集中的分類
5.5貝葉斯分類
5.5.1貝葉斯定理
5.5.2樸素貝葉斯分類
5.5.3貝葉斯信念網(wǎng)絡
5.5.4貝葉斯網(wǎng)絡學習
5.6神經(jīng)網(wǎng)絡
5.6.1神經(jīng)網(wǎng)絡簡介
5.6.2多層神經(jīng)網(wǎng)絡
5.6.3神經(jīng)網(wǎng)絡訓練
5.6.4后向傳播
5.6.5網(wǎng)絡剪枝和規(guī)則抽取
5.7支持向量機
5.7.1數(shù)據(jù)線性可分的情況
5.7.2數(shù)據(jù)線性不可分的情況
5.7.3支持向量機和神經(jīng)網(wǎng)絡的對比
5.8關聯(lián)分類
5.8.1為什么有效
5.8.2常見關聯(lián)分類算法
5.9分類準確率
5.9.1估計錯誤率
5.9.2裝袋和提升
5.10小結
參考文獻
第6章聚類分析
6.1聚類分析的定義和數(shù)據(jù)類型
6.1.1聚類的定義
6.1.2聚類分析和主要應用
6.1.3聚類分析方法的性能指標
6.1.4聚類分析使用的數(shù)據(jù)類型
6.2流聚類方法分類與相似性質(zhì)量
6.2.1聚類分析方法分類
6.2.2連續(xù)變量的距離與相似性度量
6.2.3二元變量與標稱變量的相似性度量
6.2.4序數(shù)和比例標度變量的相似性度量
6.2.5混合類型變量的相似性度量
6.3基于分割的聚類
6.4基于層次的聚類
6.5基于密度的聚類
6.6基于網(wǎng)格的聚類
6.7基于模型的聚類
6.8離群點檢測
6.9小結
參考文獻
第7章數(shù)據(jù)挖掘應用
7.1前言
7.2應用研發(fā)思路
7.3預處理方法
7.3.1基礎數(shù)據(jù)說明
7.3.2數(shù)字化方法說明
7.3.3深入一步的預處理方法
7.3.4基本數(shù)據(jù)分布情況說明
7.3.5初步分析結果
7.3.6小結
7.4特征提取方法
7.4.18種特征提取方法
7.4.2特征總體排名策略
7.4.3最終關鍵特征
7.4.4特征提取與分析結論
7.4.5小結
7.5皮膚特征預測模型
7.5.1預測方法回顧
7.5.2預測結果分析與結論
7.5.3小結
7.6小結
參考文獻
附錄
附錄A插圖索引
附錄B表格索引
附錄C算法索引
附錄D關鍵詞索引
京公網(wǎng)安備 11000002000088號
