總序
前言
第1章 數(shù)據(jù)挖掘?qū)д?br>1.1 數(shù)據(jù)挖掘的發(fā)展背景
1.2 數(shù)據(jù)挖掘定義
1.3 數(shù)據(jù)挖掘過程
1.4 數(shù)據(jù)挖掘功能
1.5 數(shù)據(jù)挖掘應用
1.6 數(shù)據(jù)挖掘發(fā)展
1.7 本章小結(jié)

第2章 數(shù)據(jù)預處理
2.1 數(shù)據(jù)描述
2.1.1 數(shù)據(jù)集類型
2.1.2 數(shù)據(jù)質(zhì)量

2.2 數(shù)據(jù)清理
2.2.1 缺失值處理
2.2.2 噪聲數(shù)據(jù)處理
2.2.3 數(shù)據(jù)清理過程

2.3 數(shù)據(jù)集成和變換
2.3.1 數(shù)據(jù)集成
2.3.2 數(shù)據(jù)變換
2.3.3 維度歸約

2.4 數(shù)據(jù)歸約
2.4.1 數(shù)據(jù)立方體聚集
2.4.2 屬性子集選擇

2.5 本章小結(jié)

第3章 分類挖掘：決策樹
3.1 決策樹方法
3.2 決策樹深入
3.2.1 信息熵基礎
3.2.2 C4.5方法
3.2.3 CART方法
3.2.4 SLIQ方法
3.2.5 SPRINT方法
3.2.6 其他決策樹方法

3.3 決策樹的簡化
3.4 決策樹的改進
3.4.1 屬性選擇
3.4.2 連續(xù)屬性離散化

3.5 決策樹的討論
3.5.1 決策樹優(yōu)化問題
3.5.2 決策樹優(yōu)化方法

3.6 分類模型的評估
3.7 本章小結(jié)

第4章 分類挖掘
4.1 貝葉斯方法
4.1.1 貝葉斯方法概述
4.1.2 樸素貝葉斯分類

4.2 k-近鄰方法
4.3 人工神經(jīng)網(wǎng)絡方法
4.4 遺傳進化方法
4.5 支持向量機方法
4.5.1 SVM分類方法

4.6 粗糙集方法
4.7 集成學習方法
4.7.1 基本概念
4.7.2 Bagging
4.7.3 Boosting
4.8 本章小結(jié)

第5章 關聯(lián)挖掘
5.1 關聯(lián)挖掘簡述
5.1.1 關聯(lián)挖掘應用

5.2 關聯(lián)挖掘基本方法
5.2.1 關聯(lián)挖掘基本概念
5.2.2 關聯(lián)挖掘問題
5.2.3 關聯(lián)挖掘類型
5.2.4 關聯(lián)挖掘基本方法

5.3 關聯(lián)挖掘方法改進
5.3.1 Apriori算法改進
5.3.2 頻繁模式增長（FP.tree）算法
5.3.3 其他改進算法

5.4 關聯(lián)挖掘并行方法
5.4.1 基于候選集復制的算法
5.4.2 劃分候選集的算法
5.4.3 混合策略：候選集部分復制

5.5 基于粒計算的關聯(lián)挖掘
5.5.1 基本思想

5.6 本章小結(jié)

第6章 聚類挖掘
6.1 聚類挖掘簡述
6.2 基于劃分的聚類挖掘
6.2.1 k.means方法

6.3 基于層次的聚類挖掘
6.4 基于密度的聚類挖掘
6.5 基于網(wǎng)格的聚類挖掘
6.6 基于模型的聚類挖掘
6.7 高維海量數(shù)據(jù)的聚類挖掘
6.7.1 高維海量數(shù)據(jù)特點
6.7.2 高維海量數(shù)據(jù)聚類算法

6.8 基于蟻群算法的聚類挖掘
6.8.1 蟻群算法概述
6.8.2 蟻群算法特征
6.8.3 蟻群算法的研究熱點
6.8.4 基于蟻穴清理行為的聚類算法
6.8.5 基于蟻群覓食行為的聚類算法
6.8.6 螞蟻聚類算法分析

6.9 本章小結(jié)

第7章 異類挖掘
7.1 異類挖掘簡述
7.1.1 基于統(tǒng)計的異常點檢測
7.1.2 基于距離的異常點檢測
7.1.3 基于偏差的異常點檢測
7.1.4 基于密度的異常點檢測
7.1.5 高維數(shù)據(jù)的異常點檢測

7.2 基于屬性的異常點檢測
7.2.1 基于屬性的異常點檢測

7.3 時序異常點檢測
7.3.1 時序異常點檢測概述
7.3.2 時序異常模式挖掘

7.4 空間異常點挖掘
7.5 時空異常點挖掘
7.6 數(shù)據(jù)流異常挖掘
7.6.1 基于單調(diào)搜索空間的突變檢測
7.6.2 基于分段分形模型的無參數(shù)異常檢測
7.7 本章小結(jié)
第8章 文本挖掘
第9章 視頻挖掘
第10章 視頻分析