随着信息技术的飞速发展,数据的产生和存储达到了**繁荣的阶段。如何从海量的数据中提取潜在的有用信息,给传统的数据处理技术提出了严峻的考验,数据挖掘方法应运而生。数据挖掘是一个多学科的交叉研究领域,不仅大学里的学术人员在研究它,商业公司的专家和技术人员也在密切地关注它和使用它;它不仅涉及人工智能领域以及统计学的应用,而且涉及数据库的管理和使用。从技术上来讲,数据挖掘是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中,提取隐含在其中的、人们事先不知道的,但又潜在有用的信息和知识的过程。从商业应用来讲,数据挖掘是一种新的商业信息处理技术,其主要特点是对商业数据库中的大量业务数据进行抽取、转换、分析和其他模式化的处理,从中提取辅助商业决策的关键性数据。
本书第1章对数据挖掘进行了概述,包括数据挖掘的定义、重要性、功能、步骤和常用方法等。第2章和第3章介绍了两种数据挖掘中常用的指导的学习算法、关联规则和聚类分析,它们处理的数据的特点是没有独立的需要预测或分类的变量,而只是试图从数据中发现一些固有的模式。关联规则就是要发现两个或多个事物之间的联系;聚类分析就是要把数据中具有相似性质的

第1章 数据挖掘概述
1.1 数据挖掘定义
数据挖掘是一个多学科交叉研究领域,不仅大学里的专门研究人员在使用它,商业公司的专家和技术人员也在密切地关注它;它不仅涉及人工智能领域以及统计学的应用,而且也涉及数据库的使用。不同领域的人从不同的研究背景出发研究不同行业的数据,也就给了数据挖掘不同的内容和定义。这里我们就数据挖掘的技术定义以及商业定义展开讨论。
1.1 数据挖掘的技术定义
数据挖掘(data mining,DM)就是从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中.提取隐含在其中的、人们事先不知道的,但又是潜在有用的信息和知识的过程。与数据挖掘相近的同义词有数据融合、数据分析和决策支持等。
这个定义包括以下几层含义:
(1)数据源必须是真实的、大量的、含噪声的;
(2)发现的是用户感兴趣的知识;
(3)发现的知识要可接受、可理解、可运用;
……

第1章 数据挖掘概述
1.1 数据挖掘定义
1.1.1 数据挖掘的技术定义
1.1.2 数据挖掘的商业定义
1.2 数据挖掘的重要性及意义
1.3 数据挖掘功能
1.4 数据挖掘步骤和标准
1.4.1 数据挖掘步骤
1.4.2 数据挖掘需要的人员
1.5 数据挖掘常用方法
1.5.1 数据挖��的对象
1.5.2 数据挖掘的常用方法
练习题
第2章 关联规则
2.1 关联规则介绍
2.2 关联规则种类
2.2.1 一般意义上的关联规则
2.2.2 带有时间性的序列关联分析
2.3 关联规则算法
2.3.1 普通的关联规则算法
2.3.2 序列关联规则算法
2.4 S7ATISTICA中的关联规则
2.5 案例分析
练习题
第3章 聚类分析
3.1 聚类分析介绍
3.2 距离定义
3.2.1 点之间的距离
3.2.2 类之间的距离
3.3 聚类分析算法
3.3.1 层次聚类
3.3.2 基于划分的聚类
3.3.3 EM聚类
3.4 STATISTICA中的聚类分析
3.5 案例分析
练习题
第4章 决策树建模
4.1 决策树介绍
4.1.1 决策树的基本知识
4.1.2 决策树的应用和发展趋势
4.2 树的建模过程
4.2.1 数据要求
4.2.2 树的生长
4.2.3 有效性和风险性
4.2.4 属性选择
4.3 S7ATISTICA中的决策树
4.4 案例分析
练习题
第5章 神经网络建模
5.1 神经网络介绍
5.2 神经网络的基本概念和原理
5.2.1 基本组成单元
5.2.2 神经网络的训练过程
5.2.3 基本的神经网络模型
5.3 STATISTICA中的神经网络模型
5.4 案例分析
练习题
第6章 回归分析
6.1 回归分析介绍
6.2 线性回归模型
6.2.1 模型的建立及未知参数的估计
6.2.2 回归方程与回归参数的检验及变量的选择问题
6.2.3 回归诊断和决定系数
6.3 1ogistic回归模型
6.3.1 1ogistic回归模型的建立
6.3.2 1ogistic回归模型的参数估计
6.3.3 1ogistic回归模型的检验及诊断
6.3.4 1ogistic回归模型结果的解释
6.3.5 1ogistic回归模型的扩展
6.4 STATISTICA中的回归
6.5 案例分析
练习题
第7章 时间序列
7.1 时间序列介绍
7.2 时间序列算法
7.2.1 传统时间序列分析
7.2.2 ARIMA模型
7.3 STATISTICA中的时间序列
7.4 案例分析
练习题
参考文献