本书第一版是国内第一本对数据挖掘技术基础算法进行详细描述的实用性教材。第二版在第一版基础上进行了较多的修订和补充。在系统阐述数据挖掘与知识发现技术的产生、发展，以及相关概念、原理、基本方法的基础上，从实用的角度出发，对数据挖掘中的关联、分类、聚类、序列等算法和技术进行了剖析，对每种技术均提供了代表性算法。同时，结合作者近年来所做的研究，对数据挖掘的应用问题进行了分类论述。最后，对目前数据挖掘的最新进展、应用趋势等进行了总结。
本书可作为计算机、管理等专业高年级本科生与研究生课程的教材，也可作为数据挖掘领域的高级软件开发人员的参考书。
样章试读
目录
- 第二版前言
第一版前言
第1章 导论
1.1 数据挖掘的社会需求
1.2 什么是数据挖掘
1.3 数据挖掘的数据来源
1.4 数据挖掘的分类
1.4.1 分类分析
1.4.2 聚类分析
1.4.3 关联分析
1.4.4 序列分析及时间序列
1.4.5 孤立点分析
1.4.6 其他分析
1.5 数据挖掘的体系结构与运行过程
1.5.1 数据挖掘的体系结构
1.5.2 数据挖掘的步骤
1.5.3 实例
1.5.4 数据挖掘的过程模型
1.5.5 数据挖掘主要厂商和产品
1.6 数据挖掘与其他相关技术
1.6.1 数据挖掘与数据库中知识发现
1.6.2 数据挖掘与联机分析处理
1.6.3 数据挖掘与信息检索
1.6.4 数据挖掘与机器学习
1.6.5 数据挖掘与数据融合
1.6.6 数据挖掘与统计学
1.6.7 数据挖掘与专家系统
1.6.8 数据挖掘与决策支持系统
1.6.9 数据挖掘与客户关系管理
1.6.10 软硬件发展对数据挖掘的影响
1.6.11 XML与面向Web的数据挖掘技术
1.7 数据挖掘工具的评价标准
1.8 数据挖掘的应用
1.9 数据挖掘的要求及挑战
第2章 数据仓库技术
2.1 数据仓库概述
2.1.1 数据仓库的定义
2.1.2 数据仓库查询系统
2.1.3 OLTP与OLAP
2.1.4 数据仓库与数据集市
2.1.5 数据仓库系统的结构
2.1.6 数据仓库中的元数据管理
2.2 数据仓库的建模
2.2.1 星型模型
2.2.2 雪花模型
2.2.3 混合模型
2.2.4 多维数据模型
2.3 联机分析处理
2.3.1 OLAP的功能及体系结构
2.3.2 OLAP数据组织模型
2.3.3 OLAP的Web结构
2.3.4 OLAP数据查询机制
2.4 海威数据仓库系统简介
2.4.1 Highway Decision Center V1.0系统结构
2.4.2 Highway Decision Center V2.0系统结构
2.4.3 海威数据仓库网络结构
2.5 数据仓库应用举例
2.5.1 信用卡资信分析
2.5.2 贷款分析
第3章 数据挖掘中的数据预处理
3.1 概论
3.2 数据预处理的基本步骤
3.3 数值属性的离散化与特征选择
3.3.1 Chi2算法简介
3.3.2 举例
3.3.3 讨论
3.4 概念分层
3.4.1 数据库中面向属性的归纳
3.4.2 概念分层的动态提炼
3.4.3 针对数值属性的概念分层的自动产生
3.5 数据抽样
3.5.1 数据挖掘不同领域中的抽样
3.5.2 数据挖掘中抽样方法
3.5.3 静态与动态抽样
第4章 关联规则
4.1 关联规则挖掘的基本概念
4.2 关联规则的发现算法
4.2.1 算法Apriori
4.2.2 算法AprioriTid
4.2.3 算法AprioriHybrid
4.2.4 生成规则
4.2.5 算法FP-Growth
4.2.6 算法ECLAT
4.2.7 基于粒计算的频繁模式挖掘算法
4.3 数值属性关联规则
4.3.1 基本概念
4.3.2 确定数值属性划分的聚类算法CP
4.4 多层关联规则挖掘
4.4.1 概念层次（conceptual hierarchies）
4.4.2 同层（same hierarchy）关联规则挖掘
4.5 约束性关联规则发现方法及算法
4.5.1 算法Separate
4.5.2 其他约束条件
4.6 关联规则的增量式更新算法
4.6.1 阈值的动态调整
4.6.2 数据库的更新
4.7 频繁项集的压缩
第5章 数据分类
5.1 决策树基本算法
5.1.1 决策树生成算法
5.1.2 决策树的修剪
5.2 决策树ID3
5.2.1 基本概念
5.2.2 定义
5.2.3 ID3算法
5.2.4 ID3算法优劣
5.3 决策树学习算法C4.5
5.3.1 使用增益率
5.3.2 处理未知值的训练样本
5.3.3 有连续值的属性
5.3.4 规则的产生
5.3.5 交叉验证
5.3.6 C4.5工作流程
5.4 分类与回归树
5.4.1 基本定义
5.4.2 构建树算法
5.4.3 修剪
5.4.4 决策树评估
5.4.5 内存管理及时间复杂性分析
5.5 SLIQ——一种快速可扩展的分类算法
5.5.1 扩展性问题
5.5.2 SLIQ分类器
5.5.3 数据结构及算法
5.6 SPRINT——数据挖掘中一种可扩展的并行分类器
5.6.1 数据结构
5.6.2 分割点的求解
5.6.3 分割
5.6.4 与SLIQ的对比
5.6.5 分类并行化
5.7 分类算法的评价
5.7.1 分类器准确率度量
5.7.2 ROC曲线
5.8 其他分类算法
5.8.1 人工神经网络
5.8.2 支持向量机
5.8.3 概率图模型
第6章 聚类分析
6.1 基础知识
6.1.1 距离与相似系数
6.1.2 聚类的特征与聚类间的距离
6.2 聚类算法k-means及k-modes
6.2.1 k-means算法
6.2.2 改进的k-means算法
6.2.3 k-modes算法
6.3 基于k-medoid的划分聚类算法
6.3.1 PAM算法
6.3.2 CLARA算法
6.3.3 基于随机搜索的聚类算法CLARANS
6.4 层次聚类法
6.4.1 最短距离法
6.4.2 最长距离法
6.4.3 中间距离法
6.4.4 其他方法
6.4.5 利用层次方法的平衡迭代归约及聚类
6.5 基于密度方法的聚类
6.5.1 基本术语
6.5.2 基于密度的簇排序（density-based cluster-ordering）
6.5.3 识别聚类结构（identifying the clustering structure）
6.6 高维度数据的自动子空间聚类算法CLIQUE
6.6.1 问题描述
6.6.2 算法
6.7 大型数据集中孤立点挖掘的高效算法
6.7.1 问题定义
6.7.2 嵌入式循环及基于索引的算法
6.7.3 基于划分的算法
6.8 聚类有效性
6.8.1 只涉及隶属度值的有效性指标
6.8.2 涉及隶属度和数据集的有效性指标
第7章 序列模式与时间序列
7.1 序列模式挖掘
7.1.1 基本定义
7.1.2 Apriori类算法
7.1.3 有时间约束的序列模式挖掘
7.1.4 基于垂直数据库格式的SPADE算法
7.1.5 基于投影数据库的FreeSpan算法
7.1.6 偏序挖掘
7.2 时间序列挖掘
7.2.1 时间序列相似性搜索
7.2.2 时间序列分段线性表示
第8章 空间多维数据访问与可视化
8.1 多维访问技术
8.1.1 引言
8.1.2 空间数据的结构
8.1.3 基本的数据结构
8.2 R-树及R*-树：空间搜索的动态索引树
8.2.1 R-树的索引结构
8.2.2 搜索及更新
8.2.3 Choose Subtree算法
8.2.4 R*-树的分裂
8.2.5 强迫重插入
8.2.6 R*-树：一个有效的点存取方法
8.3 可视化技术
8.3.1 多维数据可视化简介
8.3.2 多维数据的平行坐标表示法
8.3.3 圆形分段：一种大数据量多维数据可视化技术
8.3.4 高维数据集的可视化
8.4 基于云模型的空间数据挖掘算法
8.4.1 云模型简介
8.4.2 云理论在空间数据挖掘和知识发现中的应用
第9章 开放式的数据挖掘系统
9.1 用于数据挖掘的OLE DB For Data Ming
9.1.1 OLE DB For Data Ming简介
9.1.2 OLE DB For DM编程基础
9.2 可预测模型描述语言
9.2.1 简介
9.2.2 一个简单的PMML例子
9.3 产品简介
9.3.1 背景
9.3.2 产品目标
9.4 系统结构
9.4.1 用于OLAP系统的数据挖掘应用系统结构
9.4.2 基于B／S结构的应用框架
9.4.3 逻辑模块结构设计
9.5 Web Service技术
9.6 输入和输出
9.6.1 系统输入：OLTP、OLAP及其他
9.6.2 利用可视化技术构造可理解的知识展现
9.7 应用模式
9.8 现状与前景
第10章 数据挖掘应用
10.1 数据挖掘在商业中的应用
10.1.1 基于数据挖掘的客户忠诚度分析
10.1.2 基于数据挖掘的商品相关性分析
10.2 数据挖掘在金融数据分析领域中的应用
10.2.1 基于数据挖掘的企业信用评估架构模型
10.2.2 基于数据挖掘的反洗钱研究简介
10.3 数据挖掘在网络信息安全中的应用
10.3.1 网络入侵检测技术概述
10.3.2 网络入侵检测模型
10.3.3 基于数据挖掘的网络入侵检测应用
10.3.4 网络入侵检测技术的发展趋势
10.4 数据挖掘在科研文献分析中的应用
10.4.1 科研文献挖掘简介
10.4.2 基于研究者发文序列的领域发展研究
10.4.3 基于概率图模型的科研文献主题演化研究
10.4.4 面向异质关系的社区挖掘
第11章 数据挖掘新进展
11.1 方法上的新进展
11.1.1 全局和局部相结合的数据挖掘
11.1.2 基于数据粒度表示的挖掘
11.1.3 基于局部模式的全局模型挖掘
11.1.4 基于局部模式的全局信息获取
11.2 应用上的新进展
11.2.1 关系数据挖掘
11.2.2 数据流挖掘
11.2.3 隐私保护数据挖掘
参考文献
京公网安备 11010102004214号