包邮数据挖掘

目录
前言
第1章绪论
1.1数据挖掘概述
1.1.1数据挖掘的定义
1.1.2数据挖掘的基本任务
1.1.3数据挖掘的应用领域
1.1.4数据挖掘的学习资源
1.1.5数据挖掘的常用工具
1.1.6数据挖掘的主要算法
1.2数据获取
1.2.1数据类型与来源
1.2.2数据采集技术
1.2.3数据标注技术
1.2.4数据存储与管理
1.2.5数据质量评估
1.3数据挖掘的流程
1.3.1业务理解与问题定义
1.3.2数据获取与预处理
1.3.3数据挖掘
1.3.4结果分析与应用
1.4本章小结
第2章数据预处理
2.1数据清洗
2.1.1数据缺失值处理
2.1.2冗余去重
2.1.3数据去噪
2.1.4异常值处理
2.2数据集成
2.2.1实体识别
2.2.2冗余和相关性分析
2.3数据转换与规范化
2.3.1离散化、标准化
2.3.2二值化、归一化
2.3.3正则化
2.3.4特征编码
2.4数据归约
2.4.1子空间法
2.4.2粗糙集规约
2.4.3流形学习
2.5本章小结
第3章数据仓库与数据立方体
3.1数据仓库概述
3.1.1数据仓库产生的背景
3.1.2数据仓库的定义与特征
3.1.3数据仓库与数据库
3.2数据仓库的系统架构
3.2.1数据仓库系统基本架构
3.2.2数据仓库系统分层的意义
3.2.3数据仓库的分层结构
3.3数据立方体
3.3.1数据立方体的基本概念
3.3.2数据立方体的组成元素
3.3.3多维数据模型的模式
3.4在线分析处理
3.4.1在线分析处理的基本概念
3.4.2在线分析处理的基本操作
3.4.3在线分析处理系统的实现
3.5本章小结
第4章关联规则挖掘
4.1关联规则挖掘的基本概念
4.2频繁项集挖掘算法
4.2.1格结构
4.2.2朴素法
4.2.3先验算法
4.2.4频繁模式增长算法
4.3关联规则挖掘方法
4.3.1基于置信度的剪枝
4.3.2从关联分析到相关性分析
4.4高级关联规则挖掘
4.4.1多层模式挖掘
4.4.2非频繁模式挖掘
4.5推荐系统中的关联规则挖掘
4.5.1召回层的作用和意义
4.5.2基于内容的召回层挖掘
4.5.3基于协同过滤的召回层挖掘
4.5.4排序层的作用和意义
4.5.5排序层的挖掘算法
4.5.6基于逻辑回归的排序层挖掘
4.6本章小结
第5章分类与回归预测
5.1分类算法
5.1.1分类的基本概念
5.1.2决策树分类器
5.1.3贝叶斯分类法
5.1.4人工神经网络方法
5.1.5支持向量机
5.1.6文本分类算法
5.2回归预测算法
5.2.1回归分析的基本概念
5.2.2线性回归
5.2.3非线性回归
5.2.4逻辑回归
5.3性能评估指标
5.3.1分类模型评估
5.3.2预测模型评估
5.4模型调优
5.4.1组合方法
5.4.2类不平衡优化
5.5本章小结
第6章聚类分析
6.1大数据聚类分析
6.2性能度量
6.2.1外部指标
6.2.2内部指标
6.3距离计算
6.4聚类算法
6.4.1划分聚类算法
6.4.2层次聚类算法
6.4.3密度聚类算法
6.4.4谱聚类算法
6.5大数据挖掘中的聚类拓展学习
6.6本章小结
第7章高级数据挖掘
7.1图数据挖掘
7.1.1图数据
7.1.2凝聚子图挖掘
7.1.3图模式挖掘
7.2时间序列数据挖掘
7.2.1时间序列数据介绍
7.2.2时间序列异常检测
7.2.3时间序列的分类与聚类
7.3大数据与分布式数据挖掘
7.3.1分布式文件系统
7.3.2MapReduce大数据处理框架
7.3.3Spark大数据处理框架
7.4本章小结
第8章数据可视化与分析
8.1数据可视化的基本概念
8.1.1数据可视化的背景
8.1.2数据可视化的定义及基本步骤
8.1.3数据可视化的常用图表类型
8.1.4数据可视化实例
8.2可视化工具与技术
8.2.1Python可视化常用类库
8.2.2JavaScript可视化开发工具
8.2.3软件类可视化工具
8.3本章小结
第9章数据挖掘案例分析
9.1自然语言智能挖掘
9.1.1文本挖掘
9.1.2语音数据挖掘
9.1.3文本-视觉多模态挖掘
9.2医疗大数据智能挖掘
9.2.1电子病历数据挖掘
9.2.2医学影像数据挖掘
9.3遥感图像智能挖掘
9.3.1地理信息数据挖掘
9.3.2无人机遥感数据挖掘
9.3.3卫星数据挖掘
9.4本章小结
参考文献