数据挖掘

总序
前言
第1章 数据挖掘导论
1.1 数据挖掘的发展背景
1.2 数据挖掘定义
1.3 数据挖掘过程
1.4 数据挖掘功能
1.5 数据挖掘应用
1.6 数据挖掘发展
1.7 本章小结
第2章 数据预处理
2.1 数据描述
2.1.1 数据集类型
2.1.2 数据质量
2.2 数据清理
2.2.1 缺失值处理
2.2.2 噪声数据处理
2.2.3 数据清理过程
2.3 数据集成和变换
2.3.1 数据集成
2.3.2 数据变换
2.3.3 维度归约
2.4 数据归约
2.4.1 数据立方体聚集
2.4.2 属性子集选择
2.5 本章小结
第3章 分类挖掘：决策树
3.1 决策树方法
3.2 决策树深入
3.2.1 信息熵基础
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 其他决策树方法
3.3 决策树的简化
3.4 决策树的改进
3.4.1 属性选择
3.4.2 连续属性离散化
3.5 决策树的讨论
3.5.1 决策树优化问题
3.5.2 决策树优化方法
3.6 分类模型的评估
3.7 本章小结
第4章 分类挖掘
4.1 贝叶斯方法
4.1.1 贝叶斯方法概述
4.1.2 朴素贝叶斯分类
4.2 k-近邻方法
4.3 人工神经网络方法
4.4 遗传进化方法
4.5 支持向量机方法
4.5.1 SVM分类方法
4.6 粗糙集方法
4.7 集成学习方法
4.7.1 基本概念
4.7.2 Bagging
4.7.3 Boosting
4.8 本章小结
第5章 关联挖掘
5.1 关联挖掘简述
5.1.1 关联挖掘应用
5.2 关联挖掘基本方法
5.2.1 关联挖掘基本概念
5.2.2 关联挖掘问题
5.2.3 关联挖掘类型
5.2.4 关联挖掘基本方法
5.3 关联挖掘方法改进
5.3.1 Apriori算法改进
5.3.2 频繁模式增长（FP.tree）算法
5.3.3 其他改进算法
5.4 关联挖掘并行方法
5.4.1 基于候选集复制的算法
5.4.2 划分候选集的算法
5.4.3 混合策略：候选集部分复制
5.5 基于粒计算的关联挖掘
5.5.1 基本思想
5.6 本章小结
第6章 聚类挖掘
6.1 聚类挖掘简述
6.2 基于划分的聚类挖掘
6.2.1 k.means方法
6.3 基于层次的聚类挖掘
6.4 基于密度的聚类挖掘
6.5 基于网格的聚类挖掘
6.6 基于模型的聚类挖掘
6.7 高维海量数据的聚类挖掘
6.7.1 高维海量数据特点
6.7.2 高维海量数据聚类算法
6.8 基于蚁群算法的聚类挖掘
6.8.1 蚁群算法概述
6.8.2 蚁群算法特征
6.8.3 蚁群算法的研究热点
6.8.4 基于蚁穴清理行为的聚类算法
6.8.5 基于蚁群觅食行为的聚类算法
6.8.6 蚂蚁聚类算法分析
6.9 本章小结
第7章 异类挖掘
7.1 异类挖掘简述
7.1.1 基于统计的异常点检测
7.1.2 基于距离的异常点检测
7.1.3 基于偏差的异常点检测
7.1.4 基于密度的异常点检测
7.1.5 高维数据的异常点检测
7.2 基于属性的异常点检测
7.2.1 基于属性的异常点检测
7.3 时序异常点检测
7.3.1 时序异常点检测概述
7.3.2 时序异常模式挖掘
7.4 空间异常点挖掘
7.5 时空异常点挖掘
7.6 数据流异常挖掘
7.6.1 基于单调搜索空间的突变检测
7.6.2 基于分段分形模型的无参数异常检测
7.7 本章小结
第8章 文本挖掘
第9章 视频挖掘
第10章 视频分析