第1章 数据挖掘概念 1
1.1 数据挖掘概述 1
1.1.1 什么是数据挖掘 2
1.1.2 数据挖掘常用算法概述 2
1.1.3 数据挖掘常用工具概述 4
1.2 数据探索 5
1.2.1 数据概述 5
1.2.2 数据质量 7
1.2.3 数据预处理 10
1.3 数据挖掘的应用 11
1.3.1 数据挖掘现状及发展趋势 11
1.3.2 数据挖掘需要解决的问题 12
1.3.3 数据挖掘的应用场景 14
1.4 作业与练习 18
参考文献 18
第2章 分类 19
2.1 分类概述 19
2.1.1 分类的基本概念 19
2.1.2 解决分类问题的一般方法 20
2.1.3 决策树 21
案例：Web机器人检测 23
2.1.4 模型的过分拟合 24
2.2 贝叶斯决策与分类器 25
2.2.1 规则分类器 25
2.2.2 分类中贝叶斯定理的应用 26
2.2.3 分类中朴素贝叶斯的应用 27
2.3 支持向量机 28
2.3.1 最大边缘超平面 29
2.3.2 线性支持向量机SVM 30
2.3.3 非线性支持向量机SVM 33
2.4 分类在实际场景中的应用案例 36
案例一：如何解决文章主题关键字与搜索引擎关键字带来的检索结果差异 36
案例二：甄别新金融交易方式的欺诈行为 36
案例三：在线广告推荐中的分类 37
2.5 作业与练习 40
参考文献 41
第3章 聚类 42
3.1 聚类概述 42
3.1.1 聚类的基本概念 42
3.1.2 聚类算法 45
3.2 聚合分析方法 48
3.2.1 欧氏距离 48
3.2.2 聚合过程 49
3.2.3 聚类树 51
3.2.4 聚合分析方法应用例子 52
3.3 聚类在实际场景中的应用案例 53
3.4 聚类的实现例子 54
3.5 作业与练习 61
参考文献 61
第4章 关联规则 63
4.1 关联规则概述 63
4.1.1 经典案例导入 63
4.1.2 关联规则的基本概念和定义 64
4.1.3 关联规则的分类 67
4.2 关联规则的挖掘过程 68
4.2.1 知识回顾 68
4.2.2 频繁项集产生 69
4.2.3 强关联规则 71
4.2.4 关联规则评价标准 71
4.3 关联规则的Apriori算法 73
4.3.1 知识回顾 73
4.3.2 Apriori算法的核心思想 74
4.3.3 Apriori算法描述 74
4.3.4 Apriori算法评价 76
4.3.5 Apriori算法改进 77
4.4 关联规则的FP-growth算法 78
4.4.1 构建FP树 79
4.4.2 从FP树中挖掘频繁项集 82
4.5 实战：关联规则挖掘实例 83
4.5.1 关联规则挖掘技术在国内外的应用现状 83
4.5.2 关联规则应用实例 83
4.5.3 关联规则在大型超市中应用的步骤 86
4.6 作业与练习 88
参考文献 88
第5章 综合实战——日志的挖掘与应用 90
5.1 日志概念 90
5.1.1 日志是什么 91
5.1.2 日志能做什么 91
5.2 日志处理 93
5.2.1 产生日志 93
5.2.2 传输日志 93
5.2.3 存储日志 96
5.2.4 分析日志 100
5.2.5 日志规范与标准 111
5.3 日志分析原理及工具 113
5.3.1 日志分析原理 114
5.3.2 日志分析工具 120
5.3.3 日志分析系统规划建设 123
5.4 日志挖掘应用 127
5.4.1 安全运维 127
5.4.2 系统健康分析 128
5.4.3 用户行为分析 129
5.4.4 业务分析设计 130
5.5 日志分析挖掘实例 131
5.6 作业与练习 133
参考文献 133
第6章 数据挖掘应用案例 134
6.1 电力行业采用聚类方法进行主变油温分析 134
6.1.1 需求背景及采用的大数据分析方法 134
6.1.2 大数据分析方法的实现过程 135
6.1.3 大数据分析方法的实现结果 137
6.2 银行信贷评价 138
62.1 简介 138
6.2.2 神经网络模型 138
6.2.3 实证检验 139
6.3 指数预测 140
6.3.1 金融时间序列概况 140
6.3.2 小波消噪 141
6.3.3 向量机 142
6.3.4 指数预测 143
6.4 客户分群的精准智能营销 143
6.4.1 挖掘目标 143
6.4.2 分析方法和过程 144
6.4.3 建模仿真 148
6.5 使用WEKA进行房屋定价 150
6.6 作业与练习 154
参考文献 155