高等學(xué)校計算機規劃教材：數據挖掘原理與實(shí)踐簡(jiǎn)介，目錄書(shū)摘

編輯推薦:

內容簡(jiǎn)介:　　《高等學(xué)校計算機規劃教材：數據挖掘原理與實(shí)踐》分為數據挖掘理論和數據挖掘實(shí)踐兩大部分?；A理論部分的主要內容包括數據挖掘的基本概念、數據挖掘的預處理、聚類(lèi)分析、分類(lèi)與回歸、關(guān)聯(lián)規則挖掘、例外點(diǎn)檢測。數據挖掘實(shí)踐部分討論了數據挖掘在通信行業(yè)、文本挖掘等方面的實(shí)際應用；通過(guò)四個(gè)案例展示了在通信行業(yè)中如何利用數據挖掘進(jìn)行客戶(hù)細分、客戶(hù)流失分析、客戶(hù)社會(huì )關(guān)系挖掘、業(yè)務(wù)交叉銷(xiāo)售；通過(guò)跨語(yǔ)言智能學(xué)術(shù)搜索系統和基于內容的垃圾郵件識別兩個(gè)案例展示了數據挖掘在文本挖掘方面的應用。
　　《高等學(xué)校計算機規劃教材：數據挖掘原理與實(shí)踐》可作為高等院校計算機電子商務(wù)及相關(guān)專(zhuān)業(yè)的學(xué)生相關(guān)的教材或參考書(shū)，也可供從事數據挖掘研究、設計等工作的科研、技術(shù)人員參考。

作者簡(jiǎn)介:

目錄:上篇 理論篇
第1章 緒論
1.1 數據挖掘產(chǎn)生的背景
1.2 數據挖掘任務(wù)及過(guò)程
1.2.1 數據挖掘定義
1.2.2 數據挖掘對象
1.2.3 數據挖掘任務(wù)
1.2.4 數據挖掘過(guò)程
1.2.5 數據挖掘常用軟件簡(jiǎn)介
1.3 數據挖掘應用
1.3.1 數據挖掘在商業(yè)領(lǐng)域中的應用
1.3.2 數據挖掘在計算機領(lǐng)域中的應用
1.3.3 其他領(lǐng)域中的應用
1.4 數據挖掘技術(shù)的前景、研究熱點(diǎn)
1.4.1 數據挖掘技術(shù)的價(jià)值和前景
1.4.2 數據挖掘的研究熱點(diǎn)
1.4.3 數據挖掘的未來(lái)發(fā)展
本章小結
習題1

第2章 數據處理基礎
2.1 數據
2.1.1 數據及數據類(lèi)型
2.1.2 數據集的類(lèi)型
2.2 數據統計特性
2.2.1 數據的中心度量
2.2.2 數據散布程度度量
2.3 數據預處理
2.3.1 數據清理
2.3.2 數據聚合
2.3.3 數據變換
2.3.4 數據歸約
2.4 相似性度量
2.4.1 屬性之間的相似性度量
2.4.2 對象之間的相似性度量
2.5 本章小結
習題2

第3章 分類(lèi)與回歸
3.1 概述
3.2 決策樹(shù)分類(lèi)方法
3.2.1 決策樹(shù)的基本概念
3.2.2 決策樹(shù)的構建
3.2.3 ID3分類(lèi)算法
3.2.4 C4.5分類(lèi)算法
3.2.5 CART算法
3.3 貝葉斯分類(lèi)方法
3.3.1 貝葉斯定理
3.3.2 樸素貝葉斯分類(lèi)算法
3.4 K-最近鄰分類(lèi)方法
3.4.1 K-最近鄰分類(lèi)算法基本概念
3.4.2 K-最近鄰分類(lèi)算法描述
3.4.3 k-最近鄰分類(lèi)算法的優(yōu)缺點(diǎn)
3.5 神經(jīng)網(wǎng)絡(luò )分類(lèi)方法
3.5.1 人工神經(jīng)網(wǎng)絡(luò )的基本概念
3.5.2 典型神經(jīng)網(wǎng)絡(luò )模型介紹
3.5.3 神經(jīng)網(wǎng)絡(luò )的優(yōu)缺點(diǎn)
3.6 支持向量機
3.7 集成學(xué)習法
3.8 不平衡類(lèi)問(wèn)題
3.9 分類(lèi)模型的評價(jià)
3.9.1 分類(lèi)模型性能評價(jià)指標
3.9.2 分類(lèi)模型的過(guò)分擬合
3.9.3 評估分類(lèi)模型性能的方法
3.10 回歸
3.10.1 線(xiàn)性回歸
3.10.2 非線(xiàn)性回歸
3.10.3 邏輯回歸
3.11 本章小結
習題3

第4章 聚類(lèi)分析
4.1 概述
4.1.1 聚類(lèi)分析研究的主要內容
4.1.2 數據挖掘對聚類(lèi)算法的要求
4.1.3 典型聚類(lèi)方法簡(jiǎn)介
4.2 基于劃分的聚類(lèi)算法
4.2.1 基本k-means聚類(lèi)算法
4.2.2 二分k-means算法
4.2.3 k-means聚類(lèi)算法的拓展
4.2.4 k-medoids算法
4.3 層次聚類(lèi)算法
4.3.1 BIRCH算法
4.3.2 CURE算法
4.3.3 ROCK算法
4.4 基于密度的聚類(lèi)算法
4.5 基于圖的聚類(lèi)算法
4.5.1 Chameleon聚類(lèi)算法
4.5.2 基于SNN的聚類(lèi)算法
4.6 一趟聚類(lèi)算法
4.6.1 算法描述
4.6.2 聚類(lèi)閾值的選擇策略
4.7 基于模型的聚類(lèi)算法
4.7.1 期望最大化方法EM
4.7.2 概念聚類(lèi)
4.7.3 SOM方法
4.8 聚類(lèi)算法評價(jià)
本章小結
習題4

第5章 關(guān)聯(lián)分析
5.1 概述
5.2 頻繁項集發(fā)現算法
5.2.1 Apriori 算法
5.2.2 Fp-growth算法
5.3 關(guān)聯(lián)規則的生成
5.4 非二元屬性的關(guān)聯(lián)規則挖掘
5.5 關(guān)聯(lián)規則的評價(jià)
5.5.1 支持度和置信度
5.5.2 相關(guān)性分析
5.5.3 辛普森悖論
5.6 序列模式
5.6.1 問(wèn)題描述
5.6.2 序列模式發(fā)現算法
5.7 本章小結
習題

第6章 離群點(diǎn)挖掘
6.1 概述
6.2 基于統計的方法
6.3 基于距離的方法
6.4 基于相對密度的方法
6.5 基于聚類(lèi)的方法
6.5.1 基于對象離群因子的方法
6.5.2 基于簇的離群因子方法
6.5.3 基于聚類(lèi)的動(dòng)態(tài)數據離群點(diǎn)檢測
6.6 離群點(diǎn)挖掘方法的評估
6.7 本章小結
習題
下篇 實(shí)踐篇

第7章 數據挖掘在電信業(yè)中的應用
7.1 數據挖掘在電信業(yè)的應用概述
7.1.1 客戶(hù)細分
7.1.2 客戶(hù)流失預測分析
7.1.3 客戶(hù)社會(huì )關(guān)系挖掘
7.1.4 業(yè)務(wù)交叉銷(xiāo)售
7.1.5 欺詐客戶(hù)識別
7.2 案例一: 客戶(hù)通話(huà)模式分析
7.2.1 概述
7.2.2 數據描述
7.2.3 數據預處理
7.2.4 發(fā)現之旅
7.3 案例二：基于通話(huà)數據的社會(huì )網(wǎng)絡(luò )分析
7.3.1 概述
7.3.2 客戶(hù)呼叫圖的構建
7.3.3 客戶(hù)呼叫圖的一般屬性及其應用
7.3.4 客戶(hù)呼叫圖的社區發(fā)現及應用
7.4 案例三：客戶(hù)細分與流失分析
7.4.1 概述
7.4.2 數據準備
7.4.3 數據預處理
7.4.4 客戶(hù)聚類(lèi)分析
7.4.5 建立分類(lèi)預測模型
7.4.6 模型評估與調整優(yōu)化
7.5 案例四：移動(dòng)業(yè)務(wù)關(guān)聯(lián)分析
7.5.1 概述
7.5.2 數據準備
7.5.3 數據預處理
7.5.4 關(guān)聯(lián)規則挖掘過(guò)程
7.5.5 規則的優(yōu)化
7.5.5 模型的應用
7.6 本章小結

第8章 文本挖掘與Web數據挖掘
8.1 文本挖掘
8.1.1 分詞
8.1.2 文本表示與詞權重計算
8.1.3 文本特征選擇
8.1.4 文本分類(lèi)
8.1.5 文本聚類(lèi)
8.1.6 文檔自動(dòng)摘要
8.2 Web數據挖掘
8.2.1 Web內容挖掘
8.2.2 Web使用挖掘
8.2.3 Web結構挖掘
8.3 案例五——跨語(yǔ)言智能學(xué)術(shù)搜索系統
8.3.1 混合語(yǔ)種文本分詞
8.3.2 基于機器翻譯的跨語(yǔ)言信息檢索
8.3.3 不同語(yǔ)種文本的搜索結果聚類(lèi)
8.3.4 基于聚類(lèi)的個(gè)性化信息檢索
8.3.5 基于聚類(lèi)的查詢(xún)擴展
8.3.6 其他檢索便利工具
8.3.7 系統性能評估
8.4 案例六——基于內容的垃圾郵件識別
8.4.1 垃圾郵件識別方法簡(jiǎn)介
8.4.2 基于內容的垃圾郵件識別方法工作原理
8.4.3 一種基于聚類(lèi)的垃圾郵件識別方法
8.5 本章小結
參考文獻