上篇 理論篇
第1章 緒 論
1.1 數(shù)據(jù)挖掘產(chǎn)生的背景
1.2 數(shù)據(jù)挖掘任務(wù)及過(guò)程
1.2.1 數(shù)據(jù)挖掘定義
1.2.2 數(shù)據(jù)挖掘?qū)ο?br>1.2.3 數(shù)據(jù)挖掘任務(wù)
1.2.4 數(shù)據(jù)挖掘過(guò)程
1.2.5 數(shù)據(jù)挖掘常用軟件簡(jiǎn)介
1.3 數(shù)據(jù)挖掘應(yīng)用
1.3.1 數(shù)據(jù)挖掘在商業(yè)領(lǐng)域中的應(yīng)用
1.3.2 數(shù)據(jù)挖掘在計(jì)算機(jī)領(lǐng)域中的應(yīng)用
1.3.3 其他領(lǐng)域中的應(yīng)用
1.4 數(shù)據(jù)挖掘技術(shù)的前景、研究熱點(diǎn)
1.4.1 數(shù)據(jù)挖掘技術(shù)的價(jià)值和前景
1.4.2 數(shù)據(jù)挖掘的研究熱點(diǎn)
1.4.3 數(shù)據(jù)挖掘的未來(lái)發(fā)展
本章小結(jié)
習(xí)題
第2章 數(shù)據(jù)處理基礎(chǔ)
2.1 數(shù)據(jù)
2.1.1 數(shù)據(jù)及數(shù)據(jù)類(lèi)型
2.1.2 數(shù)據(jù)集的類(lèi)型
2.2 數(shù)據(jù)統(tǒng)計(jì)特性
2.2.1 數(shù)據(jù)的中心度量
2.2.2 數(shù)據(jù)散布程度度量
2.3 數(shù)據(jù)預(yù)處理
2.3.1 數(shù)據(jù)清理
2.3.2 數(shù)據(jù)聚合
2.3.3 數(shù)據(jù)變換
2.3.4 數(shù)據(jù)歸約
2.4 相似性度量
2.4.1 屬性之間的相似性度量
2.4.2 對(duì)象之間的相似性度量
2.5 本章小結(jié)
習(xí)題
第3章 分類(lèi)與回歸
3.1 概述
3.2 決策樹(shù)分類(lèi)方法
3.2.1 決策樹(shù)的基本概念
3.2.2 決策樹(shù)的構(gòu)建
3.2.3 ID3分類(lèi)算法
3.2.4 C4.5分類(lèi)算法
3.2.5 CART算法
3.3 貝葉斯分類(lèi)方法
3.3.1 貝葉斯定理
3.3.2 樸素貝葉斯分類(lèi)算法
3.4 K-最近鄰分類(lèi)方法
3.4.1 K-最近鄰分類(lèi)算法基本概念
3.4.2 K-最近鄰分類(lèi)算法描述
3.4.3 k-最近鄰分類(lèi)算法的優(yōu)缺點(diǎn)
3.5 神經(jīng)網(wǎng)絡(luò)分類(lèi)方法
3.5.1 人工神經(jīng)網(wǎng)絡(luò)的基本概念
3.5.2 典型神經(jīng)網(wǎng)絡(luò)模型介紹
3.5.3 神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn)
3.6 支持向量機(jī)
3.7 集成學(xué)習(xí)法
3.8 不平衡類(lèi)問(wèn)題
3.9 分類(lèi)模型的評(píng)價(jià)
3.9.1 分類(lèi)模型性能評(píng)價(jià)指標(biāo)
3.9.2 分類(lèi)模型的過(guò)分?jǐn)M合
3.9.3 評(píng)估分類(lèi)模型性能的方法
3.10 回歸
3.10.1 線性回歸
3.10.2 非線性回歸
3.10.3 邏輯回歸
3.11 本章小結(jié)
習(xí)題
第4章 聚類(lèi)分析
4.1 概述
4.1.1 聚類(lèi)分析研究的主要內(nèi)容
4.1.2 數(shù)據(jù)挖掘?qū)垲?lèi)算法的要求
4.1.3 典型聚類(lèi)方法簡(jiǎn)介
4.2 基于劃分的聚類(lèi)算法
4.2.1 基本k-means聚類(lèi)算法
4.2.2 二分k-means算法
4.2.3 k-means聚類(lèi)算法的拓展
4.2.4 k-medoids算法
4.3 層次聚類(lèi)算法
4.3.1 BIRCH算法
4.3.2 CURE算法
4.3.3 ROCK算法
4.4 基于密度的聚類(lèi)算法
4.5 基于圖的聚類(lèi)算法
4.5.1 Chameleon聚類(lèi)算法
4.5.2 基于SNN的聚類(lèi)算法
4.6 一趟聚類(lèi)算法
4.6.1 算法描述
4.6.2 聚類(lèi)閾值的選擇策略
4.7 基于模型的聚類(lèi)算法
4.7.1 期望最大化方法EM
4.7.2 概念聚類(lèi)
4.7.3 SOM方法
4.8 聚類(lèi)算法評(píng)價(jià)
本章小結(jié)
習(xí)題
第5章 關(guān)聯(lián)分析
5.1 概述
5.2 頻繁項(xiàng)集發(fā)現(xiàn)算法
5.2.1 Apriori 算法
5.2.2 Fp-growth算法
5.3 關(guān)聯(lián)規(guī)則的生成
5.4 非二元屬性的關(guān)聯(lián)規(guī)則挖掘
5.5 關(guān)聯(lián)規(guī)則的評(píng)價(jià)
5.5.1 支持度和置信度
5.5.2 相關(guān)性分析
5.5.3 辛普森悖論
5.6 序列模式
5.6.1 問(wèn)題描述
5.6.2 序列模式發(fā)現(xiàn)算法
5.7 本章小結(jié)
習(xí)題
第6章 離群點(diǎn)挖掘
6.1 概述
6.2 基于統(tǒng)計(jì)的方法
6.3 基于距離的方法
6.4 基于相對(duì)密度的方法
6.5 基于聚類(lèi)的方法
6.5.1 基于對(duì)象離群因子的方法
6.5.2 基于簇的離群因子方法
6.5.3 基于聚類(lèi)的動(dòng)態(tài)數(shù)據(jù)離群點(diǎn)檢測(cè)
6.6 離群點(diǎn)挖掘方法的評(píng)估
6.7 本章小結(jié)
習(xí)題

下篇 實(shí)踐篇
第7章 數(shù)據(jù)挖掘在電信業(yè)中的應(yīng)用
7.1 數(shù)據(jù)挖掘在電信業(yè)的應(yīng)用概述
7.1.1 客戶細(xì)分
7.1.2 客戶流失預(yù)測(cè)分析
7.1.3 客戶社會(huì)關(guān)系挖掘
7.1.4 業(yè)務(wù)交叉銷(xiāo)售
7.1.5 欺詐客戶識(shí)別
7.2 案例一: 客戶通話模式分析
7.2.1 概述
7.2.2 數(shù)據(jù)描述
7.2.3 數(shù)據(jù)預(yù)處理
7.2.4 發(fā)現(xiàn)之旅
7.3 案例二：基于通話數(shù)據(jù)的社會(huì)網(wǎng)絡(luò)分析
7.3.1 概述
7.3.2 客戶呼叫圖的構(gòu)建
7.3.3 客戶呼叫圖的一般屬性及其應(yīng)用
7.3.4 客戶呼叫圖的社區(qū)發(fā)現(xiàn)及應(yīng)用
7.4 案例三：客戶細(xì)分與流失分析
7.4.1 概述
7.4.2 數(shù)據(jù)準(zhǔn)備
7.4.3 數(shù)據(jù)預(yù)處理
7.4.4 客戶聚類(lèi)分析
7.4.5 建立分類(lèi)預(yù)測(cè)模型
7.4.6 模型評(píng)估與調(diào)整優(yōu)化
7.5 案例四：移動(dòng)業(yè)務(wù)關(guān)聯(lián)分析
7.5.1 概述
7.5.2 數(shù)據(jù)準(zhǔn)備
7.5.3 數(shù)據(jù)預(yù)處理
7.5.4 關(guān)聯(lián)規(guī)則挖掘過(guò)程
7.5.5 規(guī)則的優(yōu)化
7.5.5 模型的應(yīng)用
7.6 本章小結(jié)
第8章 文本挖掘與Web數(shù)據(jù)挖掘
8.1 文本挖掘
8.1.1 分詞
8.1.2 文本表示與詞權(quán)重計(jì)算
8.1.3 文本特征選擇
8.1.4 文本分類(lèi)
8.1.5 文本聚類(lèi)
8.1.6 文檔自動(dòng)摘要
8.2 Web數(shù)據(jù)挖掘
8.2.1 Web內(nèi)容挖掘
8.2.2 Web使用挖掘
8.2.3 Web結(jié)構(gòu)挖掘
8.3 案例五--跨語(yǔ)言智能學(xué)術(shù)搜索系統(tǒng)
8.3.1 混合語(yǔ)種文本分詞
8.3.2 基于機(jī)器翻譯的跨語(yǔ)言信息檢索
8.3.3 不同語(yǔ)種文本的搜索結(jié)果聚類(lèi)
8.3.4 基于聚類(lèi)的個(gè)性化信息檢索
8.3.5 基于聚類(lèi)的查詢擴(kuò)展
8.3.6 其他檢索便利工具
8.3.7 系統(tǒng)性能評(píng)估
8.4 案例六--基于內(nèi)容的垃圾郵件識(shí)別
8.4.1 垃圾郵件識(shí)別方法簡(jiǎn)介
8.4.2 基于內(nèi)容的垃圾郵件識(shí)別方法工作原理
8.4.3 一種基于聚類(lèi)的垃圾郵件識(shí)別方法
8.5 本章小結(jié)
參考文獻(xiàn)