高等學校計算機規(guī)劃教材：數(shù)據(jù)挖掘原理與實踐
定 價：35 元
- 作者：蔣盛益 ，李霞 ，鄭琪 著
- 出版時間：2011/8/1
- ISBN：9787121140501
- 出 版 社：電子工業(yè)出版社
- 中圖法分類：TP274
- 頁碼：284
- 紙張：膠版紙
- 版次：1
- 開本：16開
《高等學校計算機規(guī)劃教材：數(shù)據(jù)挖掘原理與實踐》分為數(shù)據(jù)挖掘理論和數(shù)據(jù)挖掘?qū)嵺`兩大部分�；A(chǔ)理論部分的主要內(nèi)容包括數(shù)據(jù)挖掘的基本概念、數(shù)據(jù)挖掘的預處理、聚類分析、分類與回歸、關(guān)聯(lián)規(guī)則挖掘、例外點檢測。數(shù)據(jù)挖掘?qū)嵺`部分討論了數(shù)據(jù)挖掘在通信行業(yè)、文本挖掘等方面的實際應用；通過四個案例展示了在通信行業(yè)中如何利用數(shù)據(jù)挖掘進行客戶細分、客戶流失分析、客戶社會關(guān)系挖掘、業(yè)務交叉銷售；通過跨語言智能學術(shù)搜索系統(tǒng)和基于內(nèi)容的垃圾郵件識別兩個案例展示了數(shù)據(jù)挖掘在文本挖掘方面的應用。
《高等學校計算機規(guī)劃教材：數(shù)據(jù)挖掘原理與實踐》可作為高等院校計算機電子商務及相關(guān)專業(yè)的學生相關(guān)的教材或參考書，也可供從事數(shù)據(jù)挖掘研究、設計等工作的科研、技術(shù)人員參考。
數(shù)據(jù)挖掘技術(shù)應用越來越廣泛，社會對掌握數(shù)據(jù)挖掘技術(shù)的人才需求越來越大，越來越多的高校在計算機相關(guān)專業(yè)及經(jīng)濟、管理類專業(yè)開設了數(shù)據(jù)挖掘課程，以適應社會的需求。
本書旨在向讀者介紹數(shù)據(jù)挖掘的基本原理、方法，數(shù)據(jù)挖掘應用流程，通過原理、方法應用的背景介紹，使讀者理解、掌握如何選擇數(shù)據(jù)挖掘方法解決實際問題，通過案例的分析使讀者能夠應用這些方法解決現(xiàn)實世界中的問題。
全書分為上、下兩篇，共分8章。上篇包括第1～6章，下篇包括第7～8章。
第1章介紹數(shù)據(jù)挖掘的基本概念以及數(shù)據(jù)挖掘的重要應用領(lǐng)域。
第2章介紹數(shù)據(jù)的基本統(tǒng)計量以及數(shù)據(jù)預處理的常用方法。
第3章介紹分類的基本概念、應用背景，重點介紹決策樹、貝葉斯、最近鄰分類方法。
第4章介紹聚類分析的基本概念、應用背景，重點介紹常用的聚類方法。
第5章介紹關(guān)聯(lián)分析的基本概念、應用背景，重點介紹頻繁模式挖掘算法（Apriori算法和Fp-growth算法）、序列模式挖掘算法。
第6章介紹例外點挖掘的基本概念、應用背景，重點介紹基于距離、基于相對密度、基于聚類的例外點挖掘方法。
第7章介紹數(shù)據(jù)挖掘在通信行業(yè)中的客戶細分、客戶流失分析、客戶社會關(guān)系挖掘、業(yè)務交叉銷售等方面的應用，并通過實際案例進行了分析。
第8章介紹數(shù)據(jù)挖掘在文本處理方面的應用，介紹文本挖掘和Web挖掘的基本概念，通過跨語言智能學術(shù)搜索系統(tǒng)和基于內(nèi)容的垃圾郵件識別兩個案例進行了分析。
本書除了介紹數(shù)據(jù)挖掘的經(jīng)典方法之外，也融入了作者的部分研究成果。
本書的出版融會了許多人的辛勤勞動。第1、2、4、6、7、8章由蔣盛益負責，第3章由李霞負責，第5章由鄭琪負責。參與編寫工作的還有龐觀松、王連喜、吳美玲、謝照青、陽垚、苗邦等。印鑒教授、王家兵副教授認真審閱了初稿，指出了一些紕漏，并提出了修改建議。本書的出版得到了電子工業(yè)出版社的大力支持，書中參考了許多學者的研究成果，在此一并表示衷心感謝。
限于作者學識水平，書中肯定存在不足和疏漏，敬請讀者批評指正。
本書為任課教師提供配套的教學資源（包含電子教案和例題源代碼），需要者可登錄華信教育資源網(wǎng)，注冊之后進行下載。
作者
上篇 理論篇
第1章 緒論
1.1 數(shù)據(jù)挖掘產(chǎn)生的背景
1.2 數(shù)據(jù)挖掘任務及過程
1.2.1 數(shù)據(jù)挖掘定義
1.2.2 數(shù)據(jù)挖掘?qū)ο?br>1.2.3 數(shù)據(jù)挖掘任務
1.2.4 數(shù)據(jù)挖掘過程
1.2.5 數(shù)據(jù)挖掘常用軟件簡介
1.3 數(shù)據(jù)挖掘應用
1.3.1 數(shù)據(jù)挖掘在商業(yè)領(lǐng)域中的應用
1.3.2 數(shù)據(jù)挖掘在計算機領(lǐng)域中的應用
1.3.3 其他領(lǐng)域中的應用
1.4 數(shù)據(jù)挖掘技術(shù)的前景、研究熱點
1.4.1 數(shù)據(jù)挖掘技術(shù)的價值和前景
1.4.2 數(shù)據(jù)挖掘的研究熱點
1.4.3 數(shù)據(jù)挖掘的未來發(fā)展
本章小結(jié)
習題1
第2章 數(shù)據(jù)處理基礎(chǔ)
2.1 數(shù)據(jù)
2.1.1 數(shù)據(jù)及數(shù)據(jù)類型
2.1.2 數(shù)據(jù)集的類型
2.2 數(shù)據(jù)統(tǒng)計特性
2.2.1 數(shù)據(jù)的中心度量
2.2.2 數(shù)據(jù)散布程度度量
2.3 數(shù)據(jù)預處理
2.3.1 數(shù)據(jù)清理
2.3.2 數(shù)據(jù)聚合
2.3.3 數(shù)據(jù)變換
2.3.4 數(shù)據(jù)歸約
2.4 相似性度量
2.4.1 屬性之間的相似性度量
2.4.2 對象之間的相似性度量
2.5 本章小結(jié)
習題2
第3章 分類與回歸
3.1 概述
3.2 決策樹分類方法
3.2.1 決策樹的基本概念
3.2.2 決策樹的構(gòu)建
3.2.3 ID3分類算法
3.2.4 C4.5分類算法
3.2.5 CART算法
3.3 貝葉斯分類方法
3.3.1 貝葉斯定理
3.3.2 樸素貝葉斯分類算法
3.4 K-最近鄰分類方法
3.4.1 K-最近鄰分類算法基本概念
3.4.2 K-最近鄰分類算法描述
3.4.3 k-最近鄰分類算法的優(yōu)缺點
3.5 神經(jīng)網(wǎng)絡分類方法
3.5.1 人工神經(jīng)網(wǎng)絡的基本概念
3.5.2 典型神經(jīng)網(wǎng)絡模型介紹
3.5.3 神經(jīng)網(wǎng)絡的優(yōu)缺點
3.6 支持向量機
3.7 集成學習法
3.8 不平衡類問題
3.9 分類模型的評價
3.9.1 分類模型性能評價指標
3.9.2 分類模型的過分擬合
3.9.3 評估分類模型性能的方法
3.10 回歸
3.10.1 線性回歸
3.10.2 非線性回歸
3.10.3 邏輯回歸
3.11 本章小結(jié)
習題3
第4章 聚類分析
4.1 概述
4.1.1 聚類分析研究的主要內(nèi)容
4.1.2 數(shù)據(jù)挖掘?qū)垲愃惴ǖ囊?br>4.1.3 典型聚類方法簡介
4.2 基于劃分的聚類算法
4.2.1 基本k-means聚類算法
4.2.2 二分k-means算法
4.2.3 k-means聚類算法的拓展
4.2.4 k-medoids算法
4.3 層次聚類算法
4.3.1 BIRCH算法
4.3.2 CURE算法
4.3.3 ROCK算法
4.4 基于密度的聚類算法
4.5 基于圖的聚類算法
4.5.1 Chameleon聚類算法
4.5.2 基于SNN的聚類算法
4.6 一趟聚類算法
4.6.1 算法描述
4.6.2 聚類閾值的選擇策略
4.7 基于模型的聚類算法
4.7.1 期望最大化方法EM
4.7.2 概念聚類
4.7.3 SOM方法
4.8 聚類算法評價
本章小結(jié)
習題4
第5章 關(guān)聯(lián)分析
5.1 概述
5.2 頻繁項集發(fā)現(xiàn)算法
5.2.1 Apriori 算法
5.2.2 Fp-growth算法
5.3 關(guān)聯(lián)規(guī)則的生成
5.4 非二元屬性的關(guān)聯(lián)規(guī)則挖掘
5.5 關(guān)聯(lián)規(guī)則的評價
5.5.1 支持度和置信度
5.5.2 相關(guān)性分析
5.5.3 辛普森悖論
5.6 序列模式
5.6.1 問題描述
5.6.2 序列模式發(fā)現(xiàn)算法
5.7 本章小結(jié)
習題
第6章 離群點挖掘
6.1 概述
6.2 基于統(tǒng)計的方法
6.3 基于距離的方法
6.4 基于相對密度的方法
6.5 基于聚類的方法
6.5.1 基于對象離群因子的方法
6.5.2 基于簇的離群因子方法
6.5.3 基于聚類的動態(tài)數(shù)據(jù)離群點檢測
6.6 離群點挖掘方法的評估
6.7 本章小結(jié)
習題
下篇 實踐篇
第7章 數(shù)據(jù)挖掘在電信業(yè)中的應用
7.1 數(shù)據(jù)挖掘在電信業(yè)的應用概述
7.1.1 客戶細分
7.1.2 客戶流失預測分析
7.1.3 客戶社會關(guān)系挖掘
7.1.4 業(yè)務交叉銷售
7.1.5 欺詐客戶識別
7.2 案例一: 客戶通話模式分析
7.2.1 概述
7.2.2 數(shù)據(jù)描述
7.2.3 數(shù)據(jù)預處理
7.2.4 發(fā)現(xiàn)之旅
7.3 案例二：基于通話數(shù)據(jù)的社會網(wǎng)絡分析
7.3.1 概述
7.3.2 客戶呼叫圖的構(gòu)建
7.3.3 客戶呼叫圖的一般屬性及其應用
7.3.4 客戶呼叫圖的社區(qū)發(fā)現(xiàn)及應用
7.4 案例三：客戶細分與流失分析
7.4.1 概述
7.4.2 數(shù)據(jù)準備
7.4.3 數(shù)據(jù)預處理
7.4.4 客戶聚類分析
7.4.5 建立分類預測模型
7.4.6 模型評估與調(diào)整優(yōu)化
7.5 案例四：移動業(yè)務關(guān)聯(lián)分析
7.5.1 概述
7.5.2 數(shù)據(jù)準備
7.5.3 數(shù)據(jù)預處理
7.5.4 關(guān)聯(lián)規(guī)則挖掘過程
7.5.5 規(guī)則的優(yōu)化
7.5.5 模型的應用
7.6 本章小結(jié)
第8章 文本挖掘與Web數(shù)據(jù)挖掘
8.1 文本挖掘
8.1.1 分詞
8.1.2 文本表示與詞權(quán)重計算
8.1.3 文本特征選擇
8.1.4 文本分類
8.1.5 文本聚類
8.1.6 文檔自動摘要
8.2 Web數(shù)據(jù)挖掘
8.2.1 Web內(nèi)容挖掘
8.2.2 Web使用挖掘
8.2.3 Web結(jié)構(gòu)挖掘
8.3 案例五——跨語言智能學術(shù)搜索系統(tǒng)
8.3.1 混合語種文本分詞
8.3.2 基于機器翻譯的跨語言信息檢索
8.3.3 不同語種文本的搜索結(jié)果聚類
8.3.4 基于聚類的個性化信息檢索
8.3.5 基于聚類的查詢擴展
8.3.6 其他檢索便利工具
8.3.7 系統(tǒng)性能評估
8.4 案例六——基于內(nèi)容的垃圾郵件識別
8.4.1 垃圾郵件識別方法簡介
8.4.2 基于內(nèi)容的垃圾郵件識別方法工作原理
8.4.3 一種基于聚類的垃圾郵件識別方法
8.5 本章小結(jié)
參考文獻
書單推薦
