數據挖掘

總序
前言
第1章 數據挖掘導論
1.1 數據挖掘的發(fā)展背景
1.2 數據挖掘定義
1.3 數據挖掘過程
1.4 數據挖掘功能
1.5 數據挖掘應用
1.6 數據挖掘發(fā)展
1.7 本章小結
第2章 數據預處理
2.1 數據描述
2.1.1 數據集類型
2.1.2 數據質量
2.2 數據清理
2.2.1 缺失值處理
2.2.2 噪聲數據處理
2.2.3 數據清理過程
2.3 數據集成和變換
2.3.1 數據集成
2.3.2 數據變換
2.3.3 維度歸約
2.4 數據歸約
2.4.1 數據立方體聚集
2.4.2 屬性子集選擇
2.5 本章小結
第3章 分類挖掘：決策樹
3.1 決策樹方法
3.2 決策樹深入
3.2.1 信息熵基礎
3.2.2 C4.5方法
3.2.3 CART方法
3.2.4 SLIQ方法
3.2.5 SPRINT方法
3.2.6 其他決策樹方法
3.3 決策樹的簡化
3.4 決策樹的改進
3.4.1 屬性選擇
3.4.2 連續(xù)屬性離散化
3.5 決策樹的討論
3.5.1 決策樹優(yōu)化問題
3.5.2 決策樹優(yōu)化方法
3.6 分類模型的評估
3.7 本章小結
第4章 分類挖掘
4.1 貝葉斯方法
4.1.1 貝葉斯方法概述
4.1.2 樸素貝葉斯分類
4.2 k-近鄰方法
4.3 人工神經網絡方法
4.4 遺傳進化方法
4.5 支持向量機方法
4.5.1 SVM分類方法
4.6 粗糙集方法
4.7 集成學習方法
4.7.1 基本概念
4.7.2 Bagging
4.7.3 Boosting
4.8 本章小結
第5章 關聯(lián)挖掘
5.1 關聯(lián)挖掘簡述
5.1.1 關聯(lián)挖掘應用
5.2 關聯(lián)挖掘基本方法
5.2.1 關聯(lián)挖掘基本概念
5.2.2 關聯(lián)挖掘問題
5.2.3 關聯(lián)挖掘類型
5.2.4 關聯(lián)挖掘基本方法
5.3 關聯(lián)挖掘方法改進
5.3.1 Apriori算法改進
5.3.2 頻繁模式增長（FP.tree）算法
5.3.3 其他改進算法
5.4 關聯(lián)挖掘并行方法
5.4.1 基于候選集復制的算法
5.4.2 劃分候選集的算法
5.4.3 混合策略：候選集部分復制
5.5 基于粒計算的關聯(lián)挖掘
5.5.1 基本思想
5.6 本章小結
第6章 聚類挖掘
6.1 聚類挖掘簡述
6.2 基于劃分的聚類挖掘
6.2.1 k.means方法
6.3 基于層次的聚類挖掘
6.4 基于密度的聚類挖掘
6.5 基于網格的聚類挖掘
6.6 基于模型的聚類挖掘
6.7 高維海量數據的聚類挖掘
6.7.1 高維海量數據特點
6.7.2 高維海量數據聚類算法
6.8 基于蟻群算法的聚類挖掘
6.8.1 蟻群算法概述
6.8.2 蟻群算法特征
6.8.3 蟻群算法的研究熱點
6.8.4 基于蟻穴清理行為的聚類算法
6.8.5 基于蟻群覓食行為的聚類算法
6.8.6 螞蟻聚類算法分析
6.9 本章小結
第7章 異類挖掘
7.1 異類挖掘簡述
7.1.1 基于統(tǒng)計的異常點檢測
7.1.2 基于距離的異常點檢測
7.1.3 基于偏差的異常點檢測
7.1.4 基于密度的異常點檢測
7.1.5 高維數據的異常點檢測
7.2 基于屬性的異常點檢測
7.2.1 基于屬性的異常點檢測
7.3 時序異常點檢測
7.3.1 時序異常點檢測概述
7.3.2 時序異常模式挖掘
7.4 空間異常點挖掘
7.5 時空異常點挖掘
7.6 數據流異常挖掘
7.6.1 基于單調搜索空間的突變檢測
7.6.2 基于分段分形模型的無參數異常檢測
7.7 本章小結
第8章 文本挖掘
第9章 視頻挖掘
第10章 視頻分析