數據挖掘原理與算法

前言                  
 第1章  導論                  
 1. 1  數據挖掘的社會需求                  
 1. 2  什么是數據挖掘                  
 1. 3  數據挖掘的數據來源                  
 1. 4  數據挖掘的分類                  
 1. 4. 1  分類分析(Classification Analysis)                  
 1. 4. 2  聚類分析(Clustering Analysis)                  
 1. 4. 3  關聯分析(Association Analysis)                  
 1. 4. 4  序列分析及時間序列(Sequence Analysis and Time Sequence)                  
 1. 4. 5  孤立點分析(Outlier Analysis)                  
 1. 4. 6  其他分析                  
 1. 5  數據挖掘的體系結構與運行過程                  
 1. 5. 1  數據挖掘的體系結構                  
 1. 5. 2  數據挖掘的步驟                  
 1. 5. 3  實例                  
 1. 6  數據挖掘與其他相關技術                  
 1. 6. 1  數據挖掘與數據庫中的知識發(fā)現                  
 1. 6. 2  數據挖掘與OLAP                  
 1. 6. 3  數據挖掘與人工智能和機器學習                  
 1. 6. 4  數據挖掘與統計學                  
 1. 6. 5  數據挖掘與客戶關系管理                  
 1. 6. 6  軟硬件發(fā)展對數據挖掘的影響                  
 1. 6. 7  XML與面向Web的數據挖掘技術                  
 1. 7  數據挖掘工具的評價標準                  
 1. 8  數據挖掘的應用                  
 1. 9  數據挖掘的要求及挑戰(zhàn)                  
 第2章  數據倉庫技術                  
 2. 1  數據倉庫概述                  
 2. 1. 1  數據倉庫的定義                  
 2. 1. 2  數據倉庫查詢系統                  
 2. 1. 3  OLTP與OLAP                  
 2. 1. 4  數據倉庫與數據集市                  
 2. 1. 5  數據倉庫系統的結構                  
 2. 1. 6  數據倉庫中的元數據管理                  
 2. 2  聯機分析處理(OLAP)                  
 2. 2. 1  OLAP的功能及體系結構                  
 2. 2. 2  OLAP數據組織模型                  
 2. 2. 3  數據倉庫的建模                  
 2. 2. 4  OLAP的Web結構                  
 2. 2. 5  OLAP數據查詢機制                  
 2. 3  多維數據模型                  
 2. 3. 1  數據模型                  
 2. 3. 2  代數操作                  
 2. 3. 3  數據集合維護操作                  
 2. 4  海威數據倉庫系統簡介                  
 2. 4. 1  Highway Decision Center V1. 0系統結構                  
 2. 4. 2  Highway Decision Center V2. 0系統結構                  
 2. 4. 3  海威數據倉庫網絡結構                  
 2. 5  數據倉庫應用舉例                  
 2. 5. 1  信用卡資信分析                  
 2. 5. 2  貸款分析                  
 第3章  數據挖掘中的數據預處理                  
 3. 1  概論                  
 3. 1. 1  預處理的基本功能                  
 3. 1. 2  預處理的主要方法                  
 3. 2  數字屬性的離散化與特征選擇                  
 3. 2. 1  Chi2算法簡介                  
 3. 2. 2  舉例                  
 3. 2. 3  討論                  
 3. 3  數據的采樣                  
 3. 3. 1  數據挖掘不同領域中的采樣                  
 3. 3. 2  數據挖掘中的采樣方法                  
 3. 3. 3  靜態(tài)與動態(tài)采樣                  
 3. 4  概念分層                  
 3. 4. 1  數據庫中的面向屬性的歸納                  
 3. 4. 2  概念分層的動態(tài)提煉                  
 3. 4. 3  針對數字屬性的概念分層的自動產生                  
 第4章  關聯規(guī)則                  
 4. 1  關聯規(guī)則挖掘的基本概念                  
 4. 2  關聯規(guī)則的發(fā)現算法                  
 4. 2. 1  發(fā)現大的項集                  
 4. 2. 2  算法Apriori                  
 4. 2. 3  算法AprioriTid                  
 4. 2. 4  算法AprioriHybrid                  
 4. 2. 5  生成規(guī)則                  
 4. 3  多值屬性關聯規(guī)則                  
 4. 3. 1  基本概念                  
 4. 3. 2  MAQA算法                  
 4. 3. 3  確定多值屬性劃分的聚類算法CP                  
 4. 3. 4  合并數量屬性的相鄰值                  
 4. 4  多層關聯規(guī)則挖掘                  
 4. 4. 1  概念層次(Conceptual Hierarchies)                  
 4. 4. 2  同層(Same Hierarchy)關聯規(guī)則挖掘                  
 4. 4. 3  混合層(Mixed Hierarchies)關聯規(guī)則挖掘                  
 4. 4. 4  交叉層(Cross Hierarchies)關聯規(guī)則挖掘                  
 4. 5  約束性關聯規(guī)則發(fā)現方法及算法                  
 4. 5. 1  問題陳述                  
 4. 5. 2  過濾事務數據庫                  
 4. 5. 3  算法Separate                  
 4. 5. 4  擴展的約束條件                  
 4. 6  關聯規(guī)則的增量式更新算法                  
 4. 6. 1  IUA算法                  
 4. 6. 2  PIUA算法                  
 第5章  數據分類                  
 5. 1  決策樹基本算法                  
 5. 1. 1  決策樹生成算法                  
 5. 1. 2  決策樹的修剪                  
 5. 2  決策樹ID3                  
 5. 2. 1  基本概念                  
 5. 2. 2  定義                  
 5. 2. 3  ID3算法                  
 5. 3  決策樹學習算法C4. 5                  
 5. 3. 1  使用增益比例                  
 5. 3. 2  處理未知值的訓練樣本                  
 5. 3. 3  有連續(xù)值的屬性                  
 5. 3. 4  規(guī)則的產生                  
 5. 3. 5  交叉驗證(Cross Validation)                  
 5. 3. 6  C4. 5的工作流程                  
 5. 4  分類與回歸樹(CART)                  
 5. 4. 1  基本定義                  
 5. 4. 2  構建樹算法                  
 5. 4. 3  修剪(Pruning)                  
 5. 4. 4  決策樹訐估(Estimation)                  
 5. 4. 5  內存管理及時間復雜性分析                  
 5. 5  SLIQ：一種快速可擴展的分類算法                  
 5. 5. 1  擴展性問題                  
 5. 5. 2  SLIQ分類器                  
 5. 5. 3  數據結構及算法                  
 5. 6  SPRINT：數據挖掘中一種可擴展的并行分類器                  
 5. 6. 1  串行算法                  
 5. 6. 2  分類并行化                  
 第6章  多維訪問與數據可視化                  
 6. 1  多維訪問方法                  
 6. 1. 1  引言                  
 6. 1. 2  空間數據的結構                  
 6. 1. 3  基本的數據結構                  
 6. 2  R-樹及R*樹：空間搜索的動態(tài)索引樹                  
 6. 2. 1  R-樹的索引結構                  
 6. 2. 2  搜索及更新                  
 6. 2. 3  Choose Subtree算法                  
 6. 2. 4  R*樹的分裂                  
 6. 2. 5  強迫重插入                  
 6. 2. 6  R*樹：一個有效的點存取方法                  
 6. 3  多維數據的平行坐標表示法                  
 6. 4  圓形分段及基于相似性的排列                  
 6. 4. 1  圓形分段：一種大數據量多維數據可視化技術                  
 6. 4. 2  基于相似性原理的多維數據排列的可視化技術                  
 第7章  聚類分析                  
 7. 1  基礎知識                  
 7. 1. 1  距離與相似系數                  
 7. 1. 2  聚類的特征與聚類間的距離                  
 7. 2  分層聚類法                  
 7. 2. 1  最短距離法                  
 7. 2. 2  最長距離法                  
 7. 2. 3  中間距離法                  
 7. 2. 4  其他方法                  
 7. 3  分割聚類算法CLARANS                  
 7. 3. 1  PAM算法                  
 7. 3. 2  CLARA算法                  
 7. 3. 3  基于隨機搜索的聚類算法CLARANS                  
 7. 4  聚類算法k-means及k-modes                  
 7. 4. 1  k-means算法                  
 7. 4. 2  改進的k-means算法                  
 7. 4. 3  大型離散數據集的快速聚類算法                  
 7. 5  高維度數據的自動子空間聚類算法CLIQUE                  
 7. 5. 1  問題描述                  
 7. 5. 2  算法                  
 7. 6  OPTICS：識別聚類結構的對象排序                  
 7. 6. 1  根據聚類結構對數據庫排序                  
 7. 6. 2  識別聚類結構                  
 7. 6. 3  自動化技術                  
 7. 7  利用分層的平衡迭代歸約及聚類                  
 7. 7. 1  聚類特征(Clustering Feature)及CF-樹                  
 7. 7. 2  CF-樹重建算法                  
 7. 7. 3  BIRCH聚類算法                  
 7. 7. 4  階段1的算法                  
 7. 7. 5  階段2的算法                  
 7. 7. 6  階段3的算法                  
 7. 7. 7  階段4的算法                  
 7. 7. 8  內存管理及時間復雜性分析                  
 7. 8  大型數據集中孤立點挖掘的高效算法                  
 7. 8. 1  問題定義                  
 7. 8. 2  嵌入式循環(huán)及基于索引的算法                  
 7. 8. 3  基于分區(qū)的算法                  
 第8章  序列模式與時間序列                  
 8. 1  序列模式的數據挖掘                  
 8. 1. 1  基本定義                  
 8. 1. 2  序列模式的發(fā)現                  
 8. 1. 3  序列階段                  
 8. 2  時序數據庫中相似序列的挖掘                  
 8. 2. 1  基于ARMA模型的序列匹配方法                  
 8. 2. 2  基于離散傅里葉變換的時間序列相似性快速查找                  
 8. 2. 3  基于規(guī)范變換的查找方法                  
 8. 3  在數據庫中發(fā)現具有時態(tài)約束的關聯規(guī)則                  
 8. 3. 1  問題描述                  
 8. 3. 2  帶時態(tài)約束的關聯規(guī)則發(fā)現算法                  
 第9章  開放式的數據挖掘系統                  
 9. 1  OLE DB For DataMining                  
 9. 1. 1  OLE DB For DataMining簡介                  
 9. 1. 2  OLE DB For DataMining編程基礎                  
 9. 2  可預測模型描述語言(PMML)                  
 9. 2. 1  簡介                  
 9. 2. 2  一個簡單的PMML例子                  
 9. 3  產品簡介                  
 9. 3. 1  背景                  
 9. 3. 2  產品目標                  
 9. 4  系統結構                  
 9. 4. 1  用于OLAP系統的數據挖掘應用系統結構                  
 9. 4. 2  基于B／S結構的應用框架                  
 9. 4. 3  邏輯模塊結構設計                  
 9. 5  Web服務技術                  
 9. 6  輸入和輸出                  
 9. 6. 1  系統輸入：OLTP. OLAP及其他                  
 9. 6. 2  利用可視化技術構造可理解的知識展現                  
 9. 7  應用模式                  
 9. 8  現狀與前景                  
 參考文獻