数据挖掘：方法与应用（清华大学计算机系列教材） PDF下载

第1章　绪论
　1.1 应用背景
　　1.1.1 商业上的驱动
　　1.1.2 科学研究上的驱动
　　1.1.3 数据挖掘伴随着数据库技术而出现
　1.2 什么是数据挖掘
　　1.2.1 基本描述
　　1.2.2 关于知识发现
　1.3 数据挖掘的主要技术
　1.4 数据挖掘的主要研究内容
　1.5 数据挖掘面临的主要问题
　1.6 数据挖掘相关的资料
　1.7 本书的总体章节安排
　1.8 小结第1章　绪论<；br />；　1.1 应用背景<；br />；　　1.1.1 商业上的驱动<；br />；　　1.1.2 科学研究上的驱动<；br />；　　1.1.3 数据挖掘伴随着数据库技术而出现<；br />；　1.2 什么是数据挖掘<；br />；　　1.2.1 基本描述<；br />；　　1.2.2 关于知识发现<；br />；　1.3 数据挖掘的主要技术<；br />；　1.4 数据挖掘的主要研究内容<；br />；　1.5 数据挖掘面临的主要问题<；br />；　1.6 数据挖掘相关的资料<；br />；　1.7 本书的总体章节安排<；br />；　1.8 小结<；br />；　参考文献<；br />；第2章　数据预处理<；br />；　2.1 前言<；br />；　2.2 数据预处理的基本概念<；br />；　　2.2.1 数据的基本概念<；br />；　　2.2.2 为什么要进行数据预处理<；br />；　　2.2.3 数据预处理的任务<；br />；　2.3 数据的描述<；br />；　　2.3.1 描述数据的中心趋势<；br />；　　2.3.2 描述数据的分散程度<；br />；　　2.3.3 描述数据的其他方式<；br />；　2.4 数据清洗<；br />；　　2.4.1 数据缺失的处理<；br />；　　2.4.2 数据清洗<；br />；　2.5 数据集成和转换<；br />；　　2.5.1 数据集成<；br />；　　2.5.2 数据冗余性<；br />；　　2.5.3 数据转换<；br />；　2.6 数据归约和变换<；br />；　　2.6.1 数据归约<；br />；　　2.6.2 数据离散化<；br />；　　2.6.3 概念层次生成<；br />；　2.7 小结<；br />；　参考文献<；br />；第3章　数据仓库<；br />；　3.1 前言<；br />；　3.2 数据库基本概念回顾<；br />；　　3.2.1 数据库简介<；br />；　　3.2.2 表、记录和域<；br />；　　3.2.3 数据库管理系统<；br />；　3.3 数据仓库简介<；br />；　　3.3.1 数据仓库特点<；br />；　　3.3.2 数据仓库概念<；br />；　　3.3.3 数据仓库作用<；br />；　　3.3.4 数据仓库与DBMS对比<；br />；　　3.3.5 分离数据仓库的原因<；br />　3.4 多维数据模型<br />　　3.4.1 数据立方体<br />　　3.4.2 概念模型<br />　　3.4.3 概念分层<br />　　3.4.4 典型OLAP操作<br />　　3.4.5 星型网络的查询模型<br />　3.5 数据仓库结构<br />　　3.5.1 数据仓库设计<br />　　3.5.2 多层体系结构<br />　3.6 数据仓库的功能<br />　　3.6.1 数据立方体的有效计算<br />　　3.6.2 索引OLAP数据<br />　　3.6.3 OLAP查询的有效处理<br />　3.7 从数据仓库到数据挖掘<br />　　3.7.1 数据仓库应用<br />　　3.7.2 从OLAP到<br />　3.8 小结<br />　参考文献<br />第4章　相关性与关联规则<br />　4.1 基本概念<br />　　4.1.1 潜在的应用<br />　　4.1.2 购物篮问题<br />　　4.1.3 频繁模式分析、闭项集和关联规则<br />　4.2 频繁项集挖掘方法<br />　　4.2.1 Apriori算法<br />　　4.2.2 由频繁项集产生关联规则<br />　　4.2.3 提高Apriori的效率<br />　　4.2.4 挖掘频繁项集的模式增长方法<br />　4.3 多种关联规则挖掘<br />　　4.3.1 挖掘多层关联规则<br />　　4.3.2 挖掘多维关联规则<br />　　4.3.3 挖掘量化关联规则<br />　4.4 从关联分析到相关分析<br />　　4.4.1 相关分析<br />　　4.4.2 强规则不一定是有价值的<br />　　4.4.3 挖掘高度关联的模式<br />　4.5 基于约束的频繁模式挖掘<br />　　4.5.1 关联规则的元规则制导挖掘<br />　　4.5.2 基于约束的模式生成: 模式空间剪枝和数据空间剪枝<br />　4.6 小结<br />　参考文献<br />第5章　分类和预测<br />　5.1 前言<br />　5.2 基本概念<br />　　5.2.1 什么是分类<br />　　5.2.2 什么是预测<br />　5.3 关于分类和预测的问题<br />　　5.3.1 准备分类和预测的数据<br />　　5.3.2 评价分类和预测方法<br />　5.4 决策树分类<br />　　5.4.1 决策树归纳<br />　　5.4.2 属性选择度量<br />　　5.4.3 提取分类规则<br />　　5.4.4 基本决策树归纳的增强<br />　　5.4.5 在大数据集中的分类<br />　5.5 贝叶斯分类<br />　　5.5.1 贝叶斯定理<br />　　5.5.2 朴素贝叶斯分类<br />　　5.5.3 贝叶斯信念网络<br />　　5.5.4 贝叶斯网络学习<br />　5.6 神经网络<br />　　5.6.1 神经网络简介<br />　　5.6.2 多层神经网络<br />　　5.6.3 神经网络训练<br />　　5.6.4 后向传播<br />　　5.6.5 网络剪枝和规则抽取<br />　5.7 支持向量机<br />　　5.7.1 数据线性可分的情况<br />　　5.7.2 数据线性不可分的情况<br />　　5.7.3 支持向量机和神经网络的对比<br />　5.8 关联分类<br />　　5.8.1 为什么有效<br />　　5.8.2 常见关联分类算法<br />　5.9 分类准确率<br />　　5.9.1 估计错误率<br />　　5.9.2 装袋和提升<br />　5.10 小结<br />　参考文献<br />第6章　聚类分析<br />　6.1 聚类分析的定义和数据类型<br />　　6.1.1 聚类的定义<br />　　6.1.2 聚类分析和主要应用<br />　　6.1.3 聚类分析方法的性能指标<br />　　6.1.4 聚类分析使用的数据类型<br />　6.2 流聚类方法分类与相似性质量<br />　　6.2.1 聚类分析方法分类<br />　　6.2.2 连续变量的距离与相似性度量<br />　　6.2.3 二元变量与标称变量的相似性度量<br />　　6.2.4 序数和比例标度变量的相似性度量<br />　　6.2.5 混合类型变量的相似性度量<br />　6.3 基于分割的聚类<br />　6.4 基于层次的聚类<br />　6.5 基于密度的聚类<br />　6.6 基于网格的聚类<br />　6.7 基于模型的聚类<br />　6.8 离群点检测<br />　6.9 小结<br />　参考文献<br />第7章　数据挖掘应用<br />　7.1 前言<br />　7.2 应用研发思路<br />　7.3 预处理方法<br />　　7.3.1 基础数据说明<br />　　7.3.2 数字化方法说明<br />　　7.3.3 深入一步的预处理方法<br />　　7.3.4 基本数据分布情况说明<br />　　7.3.5 初步分析结果<br />　　7.3.6 小结<br />　7.4 特征提取方法<br />　　7.4.1 8种特征提取方法<br />　　7.4.2 特征总体排名策略<br />　　7.4.3 最终关键特征<br />　　7.4.4 特征提取与分析结论<br />　　7.4.5 小结<br />　7.5 皮肤特征预测模型<br />　　7.5.1 预测方法回顾<br />　　7.5.2 预测结果分析与结论<br />　　7.5.3 小结<br />　7.6 小结<br />参考文献<br />附录<br />　附录A　插图索引<br />　附录B　表格索引<br />　附录C　算法索引<br />　附录D　关键词索引