数据挖掘原理与技术PDF电子书下载

目录 1

第1章 绪论 1

1-1 什么是数据挖掘 1

1-2 为何进行数据挖掘 2

1-3 数据挖掘和统计分析的关系 3

1-4 数据挖掘与数据仓库的关系 3

1-5 数据挖掘系统和 4

其他系统的比较 4

1-5-1 数据挖掘系统 4

与专家系统的比较 4

1-5-2 数据挖掘和OLAP 6

的比较 6

1-6 数据挖掘系统的分类 6

2-1 问题定义与主题分析 9

第2章数据挖掘过程 9

2-2 数据准备 10

2-2-1 数据清理 10

2-2-2 数据集成 11

2-2-3 数据选择 12

2-2-4 数据变换 13

2-2-5 数据归约 13

2-2-6 数据质量分析 16

2-3 建立模型 17

2-3-1 模型是什么 17

2-3-2 模型的精确度 18

2-3-3 模型的验证 19

2-4 模式评估 19

2-4-1 模式是什么 20

和验证 21

2-4-2 挖掘结果的评价 21

2-5 数据可视化和知识管理 22

2-5-1 可视化表示 22

2-5-2 知识管理 23

第3章 关联规则 25

3-1 概述 25

3-1-1 啤酒和尿布问题 25

3-1-2 基本概念 25

3-2 关联规则 26

3-2-1 概念分层 26

3-2-2 兴趣度 29

3-2-3 数据库中关联规则 29

的发现 29

的Apriori算法 31

3-3 关联规则学习 31

3-3-1 使用候选项集 32

找频繁项集 32

3-3-2 由频繁项集 33

产生关联规则 33

3-4 挖掘关联规则的多策略方法 33

3-4-1 多层关联规则 33

3-4-2 多维关联规则 36

第4章 决策树 37

4-1 什么是决策树 37

4-2 决策树的原理 37

4-2-1 归纳学习 37

4-2-2 决策树的表示 38

4-2-3 决策树学习 38

4-2-4 ID3算法 40

4-2-5 树剪枝 45

4-3 决策树的应用 46

4-3-1 规则提取 46

4-3-2 分类 46

4-4 决策树的优缺点 47

第5章 聚类分析 49

5-1 概述 49

5-1-1 什么是聚类分析 49

5-1-2 聚类分析的预备知识 50

5-1-3 聚类方法的分类 51

5-2 基于划分的聚类算法 52

5-2-1 基于划分的评价函数 53

5-2-2 k-平均方法 53

5-2-3 k-中心点方法 54

5-3 层次聚类 55

5-3-1 凝聚方法 55

5-3-2 分裂方法 56

5-4 孤立点分析 56

5-4-1 基于统计的 56

孤立点检测 56

5-4-2 基于距离的 57

孤立点检测 57

5-4-3 基于偏离的 57

孤立点检测 57

第6章 基于样例的学习 59

6-1 概述 59

6-2 k-最近邻算法 59

6-2-2 k-最近邻算法 60

6-2-1 基本思想 60

6-2-3 距离加权最近邻算法 61

6-3 基于样例的推理 62

6-3-1 CBR过程 63

6-3-2 样例的表示 64

6-3-3 相似性关系 66

6-3-4 样例的修正和调整 67

第7章 贝叶斯学习 69

7-1 贝叶斯理论 69

7-1-1 贝叶斯理论的 69

基本理念 69

7-1-2 贝叶斯定理 69

7-1-3 极大似然和最小误差平方假设 71

7-2 朴素贝叶斯分类 73

结构 75

7-3 贝叶斯信念网络 75

7-3-1 贝叶斯信念网络的 75

7-3-2 贝叶斯信念网络的 78

训练 78

7-4 贝叶斯分类的应用 78

第8章 粗糙集 81

8-1 关于知识的观点 81

8-2 粗糙集理论的知识发现 83

8-3 决策表的定义 85

8-4 数据离散化 85

8-5 决策规则的获取 87

8-6 粗糙集的化简 88

8-6-1 属性的化简 88

8-6-2 一致决策表的化简 89

8-6-3 属性重要性度量 93

9-1 什么是神经网络 95

第9章 神经网络 95

9-2 神经网络的表示和学习 96

9-2-1 基本神经元模型 97

9-2-2 基本的神经网络模型 97

9-2-3 感知器 99

9-2-4 神经网络的学习 103

9-3 多层前馈神经网络 105

9-3-1 前馈神经网络模型 106

和表征能力 106

9-3-2 后向传播算法 106

9-3-3 后向传播法则的 108

推导 108

9-4 反馈式神经网络 110

9-4-1 离散型神经网络 112

9-4-2 连续型神经网络 115

9-5 神经网络的应用之一 117

——聚类 117

第10章 遗传算法 123

10-1 遗传算法概述 123

10-1-1 基本思想和术语 123

10-1-2 遗传算法的基础 125

10-1-3 遗传算法的特点 131

10-2 基本遗传算法 133

10-3 遗传算法的实现技术 135

10-3-1 编码方法 135

10-3-2 适应性度量 139

10-3-3 选择策略 140

遗传算子 143

10-3-4 交叉和变异 143

10-4 遗传算法的理论分析 144

10-4-1 模式定理 144

10-4-2 积木块假设 147

与欺骗问题 147

10-4-3 隐并行性 151

10-4-4 遗传算法的收敛性分析 153

10-5 遗传算法的应用实例 157

第11章 统计分析 163

11-1 样本和统计推理 163

11-1-1 通过概率分布 163

和密度描述数据 163

11-12 置信区间的推导 165

回归模型 168

11-2-1 具有线性结构的 168

1 1-2 回归分析 168

11-2-2 最小二乘法拟合 169

11-2-3 多元线性回归 171

11-2-4 非线性回归 172

数据分析 172

11-3 主成分分析 172

11-3-1 高维数据综合 173

简化的思想和原则 173

11-3-2 主成分分析的算法推导 173

第12章 文本和Web挖掘 177

12-1 概述 177

12-1-1 文本挖掘的任务 177

12-1-2 Web挖掘的特点 177

12-1-3 Web挖掘的任务 178

空间表示 179

12-2-1 文本的向量 179

12-2 文本挖掘技术 179

12-2-2 文本特征的提取 180

12-2-3 文本信息挖掘系统 182

12-3 Web数据挖掘技术 182

12-3-1 Web结构挖掘 183

12-3-2 Web使用记录的 185

挖掘 185

12-3-3 Web内容挖掘 186

12-3-4 个人偏好建模 186

12-4 文本和Web挖掘的应用 187

12-4-1 文档分类 187

12-4-2 自动推荐系统 188

13-1-1 空间数据库 191

13-1 空间数据挖掘 191

和发展趋势 191

第13章 数据挖掘的应用 191

13-1-2 空间数据挖掘 192

发现的知识类型 192

13-1-3 空间数据挖掘方法 193

13-2 图像检索和挖掘 194

13-2-1 基于内容的检索 195

13-2-2 图像数据库挖掘 195

13-3 时间序列和序列检索 196

13-3-1 序列模式分析 196

13-3-2 时间序列数据 197

13-3-3 趋势分析 197

13-3-4 时序分析 198

13-4 隐私面临的挑战 199

系统的不足 201

14-1-1 传统的信息 201

实例分析 201

14-1 商业智能概述 201

第14章 商业智能解决方案 201

14-1-2 什么是商业智能 202

14-2 商业智能系统的 203

处理流程和框架 203

14-2-1 商业智能系统的 203

处理流程 203

14-2-2 商业智能 204

系统的框架 204

14-3 商业智能解决方案 204

14-3-1 概述 205

14-3-2 数据仓库 205

14-3-3 数据仓库管理 207

14-3-4 数据清洗和转换 208

14-3-5 在线分析 209

14-3-6 前端工具 209

14-3-7 数据挖掘 210

附录A IBM DB2 Intelligent 211

Miner简介 211

A-1 DB2 Intelligent Miner功能简介 211

A-2 DB2 Intelligent Miner for Data使用简介 212

A-2-1 业务定义 212

A-2-2 定义数据对象 213

A-3 创建模型 216

A-4 模型应用 222

A-5 创建统计函数 228

A-6 解释挖掘结果 231

参考文献 233