本书对面向应用的数据挖掘方法进行了清晰的阐述,包括经典的多元统计方法、贝叶斯多元统计方法、基于机器学习的数据挖掘方法和基于计算的数据挖掘方法等。介绍了数据挖掘领域中许多*新的研究成果,如关联规则、序列规则、图示马尔可夫模型、基于存储的推理、信用风险和Web挖掘等。并详细介绍了选自实际工业项目的6个应用实例,强调了数据挖掘方法的实用性。
本书主要面向计算机科学、信息管理、应用统计学和经济学等专业的高年级本科生和研究生。对实际从事海量数据分析和处理的技术人员也有很好的指导作用和参考价值。

第1章 绪论
1.1 什么是数据挖掘
1.2 数据挖掘过程
1.3 数据挖掘软件
1.4 本书的内容组织
1.5 进一步阅读
**部分 方法
第2章 数据组织
2.1 从数据仓库到数据集市
2.2 数据分类
2.3 数据矩阵
2.4 频率分布
2.5 数据变换
2.6 其他数据结构
2.7 进一步阅读
第3章 探索性数据分析
3.1 一元探索性数据分析
3.2 二元探索性分析
3.3 定量数据的多元探索性分析
3.4 定性数据的多元探索性分析
3.5 维数约减
3.6 进一步阅读
第4章 基于计算的数据挖掘
4.1 距离测量
4.2 聚类分析
4.3 线性回归
4.4 logistic回归
4.5 树模型
4.6 神经网络
4.7 近邻模型
4.8 局部模型
4.9 进一步阅读
第5章 基于统计的数据挖掘
5.1 不确定性测量和推理
5.2 非参数模型
5.3 标准线性模型
5.4 广义线性模型
5.5 对数线性模型
5.6 图模型
5.7 进一步阅读
第6章 数据挖掘方法评价
6.1 基于统计检验的标准
6.2 基于计分函数的标准
6.3 贝叶斯标准
6.4 计算标准
6.5 基于损失函数的标准
6.6 进一步阅读
第二部分 商业应用
第7章 购物篮分析
7.1 分析目的
7.2 数据描述
7.3 探索性数据分析
7.4 模型建立
7.5 模型比较
7.6 小结
第8章 Web点击流分析
8.1 分析目的
8.2 数据描述
8.3 探索性数据分析
8.4 模型建立
8.5 模型比较
8.6 小结
第9章 网站用户分析
9.1 分析目的
9.2 数据描述
9.3 探索性数据分析
9.4 模型建立
9.5 模型比较
9.6 小结
第10章 客户关系管理
10.1 分析目的
10.2 数据描述
10.3 探索性数据分析
10.4 模型建立
10.5 模型比较
10.6 小结
第11章 信用评分
11.1 分析目的
11.2 数据描述
11.3 探索性数据分析
11.4 模型建立
11.5 模型比较
11.6 小结
第12章 电视观众预测
12.1 分析目的
12.2 数据描述
12.3 探索性数据分析
12.4 模型建立
12.5 模型比较
12.6 小结
参考文献