数据挖掘概念、模型、方法和算法(第3版)

第1章 数据挖掘的概念
1．1 概述
1．2 数据挖掘的起源
1．3 数据挖掘过程
1．4 从数据收集到数据预处理
1．5 用于数据挖掘的数据仓库
1．6 从大数据到数据科学
1．7 数据挖掘的商业方面：为什么数据挖掘项目会失败
1．8 本书结构安排
1．9 复习题

第2章 数据准备
2．1 原始数据的表述
2．2 原始数据的特性
2．3 原始数据的转换
2．3．1 标准化
2．3．2 数据平整
2．3．3 差值和比率
2．4 丢失数据
2．5 时间相关数据
2．6 异常点分析
2．7 复习题

第3章 数据归约
3．1 大型数据集的维度
3．2 特征归约
3．2．1 特征选择
3．2．2 特征提取
3．3 Relief算法
3．4 特征排列的熵度量
3．5 主成分分析
3．6 值归约
3．7 特征离散化：ChiMerge技术
3．8 案例归约
3．9 复习题

第4章 从数据中学习
4．1 学习机器
4．2 统计学习原理
4．3 学习方法的类型
4．4 常见的学习任务
4．5 支持向量机
4．6 半监督支持向量机（S3VM）
4．7 k*近邻分类器
4．8 模型选择与泛化
4．9 模型的评估
4．10 不均衡的数据分类
4．11 90%准确的情形
4．11．1 保险欺诈检测
4．11．2 改进心脏护理
4．12 复习题

第5章 统计方法
5．1 统计推断
5．2 评测数据集的差异
5．3 贝叶斯定理
5．4 预测回归
5．5 方差分析
5．6 对数回归
5．7 对数-线性模型
5．8 线性判别分析
5．9 复习题

第6章 决策树和决策规则
6．1 决策树
6．2 C4．5 算法：生成决策树
6．3 未知的属性值
6．4 修剪决策树
6．5 C4．5 算法：生成决策规则
6．6 CART算法和Gini指标
6．7 决策树和决策规则的局限性
6．8 复习题

第7章 人工神经网络
7．1 人工神经元的模型
7．2 人工神经网络的结构
7．3 学习过程
……
第8章 集成学习
第9章 聚类分析
第10章 关联规则
第11章 Web挖掘和文本挖掘
第12章 数据挖掘高级技术
第13章 遗传算法
第14章 模糊集和模糊逻辑
第15章 可视化方法
附录A数据挖掘工具
附录B数据挖掘应用