第一章 引言 1
1.1 数据挖掘的意义 1
1.2 数据库知识发现 5
1.3 数据挖掘的主要内容 9
1.4 数据挖掘的应用 11
1.5 本书的研究工作和主要成果 17
第二章 数据挖掘问题最优化模型及数学基础知识 19
2.1 数据挖掘问题与最优化的结合 19
2.2 数学基础知识 22
2.2.1 范数与不等式 23
2.2.2 矩阵的Rayleigh商 27
2.2.3 多元函数分析 29
2.2.4 凸集合和凸函数 32
2.2.5 优化数学模型的算法结构 40
2.3 分类问题的优化模型 44
2.4 聚类问题的优化模型 50
2.5 回归问题的优化模型 53
2.6 相关性问题的建模 57
2.7 小结 60
第三章 支持向量机分类技术 62
3.1 数据分类理论和算法综述 63
3.2 支持向量机分类技术 71
3.2.1 支持向量机分类的优化模型 72
3.2.2 光滑的支持向量机模型 73
3.3 BFGS方法和Newton-Armijo方法 78
3.4 数值试验 83
3.5 PSSVM的实际应用研究 87
3.6 基于核函数的支持向量机分类方法 94
3.7 小结 98
第四章 聚类优化模型及其求解算法 100
4.1 数据聚类的数学规划模型 100
4.2 数据聚类的k质心聚类算法 102
4.3 改进的k质心聚类算法 106
4.4 基于核的k质心聚类算法 112
4.5 基于样本分割函数的k质心聚类算法 115
4.6 基于遗传算法的k质心聚类算法 123
4.7 小结 127
第五章 等基数双目录分割问题 128
5.1 等基数双目录分割问题数学模型 128
5.2 改进的随机算法（IRA） 132
5.3 IRA算法分析 133
5.4 小结 137
第六章 关联规则挖掘算法和规则近似表示 139
6.1 关联规则挖掘的一般概念 140
6.2 关联规则挖掘算法 141
6.3 矩阵算法 145
6.3.1 矩阵算法的过程 145
6.3.2 矩阵算法的数值实验 148
6.4 数据库因果关系的线性化近似 150
6.4.1 数据库因果关系 150
6.4.2 因果关系的线性多项式近似 151
6.5 小结 155
第七章 数据挖掘应用 157
7.1 数据挖掘在生物信息学中的应用 157
7.2 数据挖掘在保险业中的应用 171
7.3 数据挖掘在金融业中的应用 176
参考文献 179
附录 203
附录A Procedure for generating-matrix(T) 203
附录B Procedure joint operation(Lk-1) 203
附录C Procedure frequent-itemsets(Ck) 204
附录D Procedure of generating association-rules(L) 205