1.1 人工智能综述 1
1.1.1 人工智能的发展历史 1
第1章 绪论 1
1.1.2 人工智能的概念及研究领域 10
1.1.3 人工智能的发展前景 16
1.2 知识发现导论 18
1.2.1 知识发现（KDD）与数据挖掘的概念 18
1.2.2 KDD过程及系统结构 19
1.2.3 KDD研究的主要问题 22
1.2.4 KDD应用及存在的问题 23
1.2.5 KDD中不完备信息的问题 27
思考题 32
2.1.1 数据仓库的概念 33
第2章 数据仓库的概念与结构 33
2.1 数据仓库的概念和特征 33
2.1.2 数据仓库的特征 37
2.2 数据仓库工程规划 38
2.2.1 制定数据仓库工程规划的重要性 38
2.2.2 制定数据仓库工程规划的过程 39
2.2.3 数据仓库工程规划文档的内容 42
2.3 数据仓库系统的设计准则 48
2.4 数据仓库的结构和设计 50
2.4.1 数据仓库的数据模型 50
2.4.2 数据仓库的元数据管理 51
2.4.3 数据仓库的组件 57
2.4.4 数据仓库体系结构 58
思考题 67
3.1 基于概率统计的数据挖掘技术 68
第3章 基于概率统计与神经网络的数据挖掘技术 68
3.2 基于神经网络的数据挖掘技术 71
思考题 74
第4章 基于信息论的数据挖掘技术 75
4.1 信息论原理 75
4.1.1 基本思想 75
4.1.2 基本概念 76
4.1.3 信道模型及容量 81
4.2 基于互信息的ID3算法及改进算法 82
4.2.1 ID3算法 82
4.2.2 改进算法 88
思考题 95
5.1.1 基本概念 97
第5章 基于关联规则的数据挖掘技术 97
5.1 基本概念及主要算法 97
5.1.2 关联规则挖掘种类 98
5.1.3 关联规则挖掘算法综述 99
5.2 在线挖掘关联规则算法的改进 108
5.2.1 在线挖掘关联规则算法Carma简介 109
5.2.2 对PhaseⅠ的改进 111
5.2.3 对PhaseⅡ的改进 117
5.3 关联规则并行化挖掘算法 118
5.3.1 其他并行算法的回顾 118
5.3.2 IDD并行算法 119
思考题 124
6.1.1 粗糙集合的历史与发展 125
6.1 基于粗糙集合的分类方法 125
第6章 基于分类规则的数据挖掘技术 125
6.1.2 粗糙集合的基本概念 131
6.1.3 粗糙微积分 139
6.1.4 基于粗集的数据过滤方法 146
6.1.5 RS代数的公理化方法 152
6.1.6 可变精度粗集中的近似空间 158
6.1.7 知识表达逻辑 160
6.2 基于模糊集合的分类方法 169
6.2.1 模糊集合与凸模糊集 169
6.2.2 模糊关系及其基本性质 185
6.3 贝叶斯分类与推进方法分类 194
6.3.1 贝叶斯分类 194
6.3.2 推进方法分类 196
思考题 198
第7章 基于聚类规则的数据挖掘技术 199
7.1 聚类原理 199
7.1.1 属性聚类 200
7.1.2 概念聚类 202
7.2 聚类分析中的数据类型 205
7.2.1 区间标度变量 205
7.2.2 二元变量 206
7.2.3 混合类型的变量 207
7.3 相似性测度 208
7.3.1 样本点间的相似性测度 208
7.3.2 类与类之间的相似性测度 210
7.4 硬聚类 211
7.5 软聚类 213
7.6 模糊聚类 215
7.6.1 HCM聚类方法 215
7.6.2 FCM聚类方法 216
7.6.3 快速FCM聚类方法 217
7.7 空间对象聚类 221
思考题 224
第8章 基于Web的数据挖掘技术 225
8.1 Web挖掘概述 225
8.1.1 一些基本概念 227
8.1.2 Web挖掘内容 230
8.1.3 Web挖掘难点 233
8.2 Web结构挖掘 235
8.2.1 Web结构挖掘的意义 235
8.2.2 超链分析与页面分类 237
8.3 Web内容挖掘 242
8.3.1 Web信息获取 242
8.3.2 Web信息清理 245
8.3.3 Web文本挖掘 250
思考题 258
第9章 基于数据挖掘技术的智能决策研究框架 259
9.1 智能化交互式人机界面 259
9.2 问题求解器 261
9.3 方案设计决策支持 261
9.4 广义知识库管理系统 262
9.5 知识发现过程与数据挖掘管理器 264
思考题 264
参考文献 265