目錄
前言
第1章緒論
1.1數據挖掘概述
1.1.1數據挖掘的定義
1.1.2數據挖掘的基本任務
1.1.3數據挖掘的應用領域
1.1.4數據挖掘的學習資源
1.1.5數據挖掘的常用工具
1.1.6數據挖掘的主要算法
1.2數據獲取
1.2.1數據類型與來源
1.2.2數據采集技術
1.2.3數據標注技術
1.2.4數據存儲與管理
1.2.5數據質量評估
1.3數據挖掘的流程
1.3.1業務理解與問題定義
1.3.2數據獲取與預處理
1.3.3數據挖掘
1.3.4結果分析與應用
1.4本章小結
第2章數據預處理
2.1數據清洗
2.1.1數據缺失值處理
2.1.2冗余去重
2.1.3數據去噪
2.1.4異常值處理
2.2數據集成
2.2.1實體識別
2.2.2冗余和相關性分析
2.3數據轉換與規范化
2.3.1離散化、標準化
2.3.2二值化、歸一化
2.3.3正則化
2.3.4特征編碼
2.4數據歸約
2.4.1子空間法
2.4.2粗糙集規約
2.4.3流形學習
2.5本章小結
第3章數據倉庫與數據立方體
3.1數據倉庫概述
3.1.1數據倉庫產生的背景
3.1.2數據倉庫的定義與特征
3.1.3數據倉庫與數據庫
3.2數據倉庫的系統架構
3.2.1數據倉庫系統基本架構
3.2.2數據倉庫系統分層的意義
3.2.3數據倉庫的分層結構
3.3數據立方體
3.3.1數據立方體的基本概念
3.3.2數據立方體的組成元素
3.3.3多維數據模型的模式
3.4在線分析處理
3.4.1在線分析處理的基本概念
3.4.2在線分析處理的基本操作
3.4.3在線分析處理系統的實現
3.5本章小結
第4章關聯規則挖掘
4.1關聯規則挖掘的基本概念
4.2頻繁項集挖掘算法
4.2.1格結構
4.2.2樸素法
4.2.3先驗算法
4.2.4頻繁模式增長算法
4.3關聯規則挖掘方法
4.3.1基于置信度的剪枝
4.3.2從關聯分析到相關性分析
4.4高級關聯規則挖掘
4.4.1多層模式挖掘
4.4.2非頻繁模式挖掘
4.5推薦系統中的關聯規則挖掘
4.5.1召回層的作用和意義
4.5.2基于內容的召回層挖掘
4.5.3基于協同過濾的召回層挖掘
4.5.4排序層的作用和意義
4.5.5排序層的挖掘算法
4.5.6基于邏輯回歸的排序層挖掘
4.6本章小結
第5章分類與回歸預測
5.1分類算法
5.1.1分類的基本概念
5.1.2決策樹分類器
5.1.3貝葉斯分類法
5.1.4人工神經網絡方法
5.1.5支持向量機
5.1.6文本分類算法
5.2回歸預測算法
5.2.1回歸分析的基本概念
5.2.2線性回歸
5.2.3非線性回歸
5.2.4邏輯回歸
5.3性能評估指標
5.3.1分類模型評估
5.3.2預測模型評估
5.4模型調優
5.4.1組合方法
5.4.2類不平衡優化
5.5本章小結
第6章聚類分析
6.1大數據聚類分析
6.2性能度量
6.2.1外部指標
6.2.2內部指標
6.3距離計算
6.4聚類算法
6.4.1劃分聚類算法
6.4.2層次聚類算法
6.4.3密度聚類算法
6.4.4譜聚類算法
6.5大數據挖掘中的聚類拓展學習
6.6本章小結
第7章高級數據挖掘
7.1圖數據挖掘
7.1.1圖數據
7.1.2凝聚子圖挖掘
7.1.3圖模式挖掘
7.2時間序列數據挖掘
7.2.1時間序列數據介紹
7.2.2時間序列異常檢測
7.2.3時間序列的分類與聚類
7.3大數據與分布式數據挖掘
7.3.1分布式文件系統
7.3.2MapReduce大數據處理框架
7.3.3Spark大數據處理框架
7.4本章小結
第8章數據可視化與分析
8.1數據可視化的基本概念
8.1.1數據可視化的背景
8.1.2數據可視化的定義及基本步驟
8.1.3數據可視化的常用圖表類型
8.1.4數據可視化實例
8.2可視化工具與技術
8.2.1Python可視化常用類庫
8.2.2JavaScript可視化開發工具
8.2.3軟件類可視化工具
8.3本章小結
第9章數據挖掘案例分析
9.1自然語言智能挖掘
9.1.1文本挖掘
9.1.2語音數據挖掘
9.1.3文本-視覺多模態挖掘
9.2醫療大數據智能挖掘
9.2.1電子病歷數據挖掘
9.2.2醫學影像數據挖掘
9.3遙感圖像智能挖掘
9.3.1地理信息數據挖掘
9.3.2無人機遙感數據挖掘
9.3.3衛星數據挖掘
9.4本章小結
參考文獻