数据挖掘原理与算法

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(Classification Analysis)

1. 4. 2 聚类分析(Clustering Analysis)

1. 4. 3 关联分析(Association Analysis)

1. 4. 4 序列分析及时间序列(Sequence Analysis and Time Sequence)

1. 4. 5 孤立点分析(Outlier Analysis)

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. 6 数据挖掘与其他相关技术

1. 6. 1 数据挖掘与数据库中的知识发现

1. 6. 2 数据挖掘与OLAP

1. 6. 3 数据挖掘与人工智能和机器学习

1. 6. 4 数据挖掘与统计学

1. 6. 5 数据挖掘与客户关系管理

1. 6. 6 软硬件发展对数据挖掘的影响

1. 6. 7 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 联机分析处理(OLAP)

2. 2. 1 OLAP的功能及体系结构

2. 2. 2 OLAP数据组织模型

2. 2. 3 数据仓库的建模

2. 2. 4 OLAP的Web结构

2. 2. 5 OLAP数据查询机制

2. 3 多维数据模型

2. 3. 1 数据模型

2. 3. 2 代数操作

2. 3. 3 数据集合维护操作

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. 1. 1 预处理的基本功能

3. 1. 2 预处理的主要方法

3. 2 数字属性的离散化与特征选择

3. 2. 1 Chi2算法简介

3. 2. 2 举例

3. 2. 3 讨论

3. 3 数据的采样

3. 3. 1 数据挖掘不同领域中的采样

3. 3. 2 数据挖掘中的采样方法

3. 3. 3 静态与动态采样

3. 4 概念分层

3. 4. 1 数据库中的面向属性的归纳

3. 4. 2 概念分层的动态提炼

3. 4. 3 针对数字属性的概念分层的自动产生

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 发现大的项集

4. 2. 2 算法Apriori

4. 2. 3 算法AprioriTid

4. 2. 4 算法AprioriHybrid

4. 2. 5 生成规则

4. 3 多值属性关联规则

4. 3. 1 基本概念

4. 3. 2 MAQA算法

4. 3. 3 确定多值属性划分的聚类算法CP

4. 3. 4 合并数量属性的相邻值

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. 4. 3 混合层(Mixed Hierarchies)关联规则挖掘

4. 4. 4 交叉层(Cross Hierarchies)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 问题陈述

4. 5. 2 过滤事务数据库

4. 5. 3 算法Separate

4. 5. 4 扩展的约束条件

4. 6 关联规则的增量式更新算法

4. 6. 1 IUA算法

4. 6. 2 PIUA算法

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. 3 决策树学习算法C4. 5

5. 3. 1 使用增益比例

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(Cross Validation)

5. 3. 6 C4. 5的工作流程

5. 4 分类与回归树(CART)

5. 4. 1 基本定义

5. 4. 2 构建树算法

5. 4. 3 修剪(Pruning)

5. 4. 4 决策树讦估(Estimation)

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 串行算法

5. 6. 2 分类并行化

第6章 多维访问与数据可视化

6. 1 多维访问方法

6. 1. 1 引言

6. 1. 2 空间数据的结构

6. 1. 3 基本的数据结构

6. 2 R-树及R*树：空间搜索的动态索引树

6. 2. 1 R-树的索引结构

6. 2. 2 搜索及更新

6. 2. 3 Choose Subtree算法

6. 2. 4 R*树的分裂

6. 2. 5 强迫重插入

6. 2. 6 R*树：一个有效的点存取方法

6. 3 多维数据的平行坐标表示法

6. 4 圆形分段及基于相似性的排列

6. 4. 1 圆形分段：一种大数据量多维数据可视化技术

6. 4. 2 基于相似性原理的多维数据排列的可视化技术

第7章 聚类分析

7. 1 基础知识

7. 1. 1 距离与相似系数

7. 1. 2 聚类的特征与聚类间的距离

7. 2 分层聚类法

7. 2. 1 最短距离法

7. 2. 2 最长距离法

7. 2. 3 中间距离法

7. 2. 4 其他方法

7. 3 分割聚类算法CLARANS

7. 3. 1 PAM算法

7. 3. 2 CLARA算法

7. 3. 3 基于随机搜索的聚类算法CLARANS

7. 4 聚类算法k-means及k-modes

7. 4. 1 k-means算法

7. 4. 2 改进的k-means算法

7. 4. 3 大型离散数据集的快速聚类算法

7. 5 高维度数据的自动子空间聚类算法CLIQUE

7. 5. 1 问题描述

7. 5. 2 算法

7. 6 OPTICS：识别聚类结构的对象排序

7. 6. 1 根据聚类结构对数据库排序

7. 6. 2 识别聚类结构

7. 6. 3 自动化技术

7. 7 利用分层的平衡迭代归约及聚类

7. 7. 1 聚类特征(Clustering Feature)及CF-树

7. 7. 2 CF-树重建算法

7. 7. 3 BIRCH聚类算法

7. 7. 4 阶段1的算法

7. 7. 5 阶段2的算法

7. 7. 6 阶段3的算法

7. 7. 7 阶段4的算法

7. 7. 8 内存管理及时间复杂性分析

7. 8 大型数据集中孤立点挖掘的高效算法

7. 8. 1 问题定义

7. 8. 2 嵌入式循环及基于索引的算法

7. 8. 3 基于分区的算法

第8章 序列模式与时间序列

8. 1 序列模式的数据挖掘

8. 1. 1 基本定义

8. 1. 2 序列模式的发现

8. 1. 3 序列阶段

8. 2 时序数据库中相似序列的挖掘

8. 2. 1 基于ARMA模型的序列匹配方法

8. 2. 2 基于离散傅里叶变换的时间序列相似性快速查找

8. 2. 3 基于规范变换的查找方法

8. 3 在数据库中发现具有时态约束的关联规则

8. 3. 1 问题描述

8. 3. 2 带时态约束的关联规则发现算法

第9章 开放式的数据挖掘系统

9. 1 OLE DB For DataMining

9. 1. 1 OLE DB For DataMining简介

9. 1. 2 OLE DB For DataMining编程基础

9. 2 可预测模型描述语言(PMML)

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服务技术

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

参考文献