數據挖掘原理

第1章  給論
  1.1  數據挖掘簡介
  1.2  數據集屬性
  1.3  結構類型：模型和模式
  1.4  數據挖掘任務
  1.5  數據挖掘算法的組件
    1.5.1  評分函數
    1.5.2  優(yōu)化和搜索方法
    1.5.3  數據管理策略
  1.6  統(tǒng)計和數據挖掘的相互關系
  1.7  數據挖掘：打撈.探查還是垂釣
  1.8  本章歸納
  1.9  補充讀物
第2章  測量和數據
  2.1  簡介
  2.2  測量類型
  2.3  距離尺度
  2.4  數據轉化
  2.5  數據形式
  2.6  單個測量的數據質量
  2.7  數據群體的數據質量
  2.8  本章歸納
  2.9  補充讀物
第3章  可視化和探索數據
  3.1  簡介
  3.2  總結數據：幾個簡單例子
  3.3  顯示單個變量的一些工具
  3.4  顯示兩個變量間關系的工具
  3.5  顯示兩個以上變量間關系的工具
  3.6  主分量分析
  3.7  多維縮放
  3.8     補充讀物
第4章  數據分析和不確定性
  4.1  簡介
  4.2  處理不確定性
  4.3  隨機變量和它們的關系
  4.4  樣本和統(tǒng)計推理
  4.5     估計
    4.5.1  估計量的理想屬性
    4.5.2  最大似然估計
    4.5.3  貝葉斯估計
  4.6  假設檢驗
    4.6.1  古典假設檢驗
    4.6.2  數據挖掘中的假設檢驗
  4.7  采樣方法
  4.8  本章歸納
  4.9  補充讀物
第5章  數據挖掘算法概覽
  5.1  簡介
  5.2  建立樹分類器的CART算法
  5.3  數據挖掘算法的化約主義觀點
    5.3.1  用于回歸和分類的多層感知器
    5.3.2  關聯(lián)規(guī)則學習的A  Priori算法
    5.3.3  檢索文本的向量空間算法
  5.4  討論
  5.5  補充讀物
第6章  模型和模式
  6.1  概述
  6.2  建?；A
  6.3  用于預測的模型結構
    6.3.1  具有線性結構的回歸模型
    6.3.2  用于回歸的局部分段模型結構
    6.3.3  “基于記憶”的非參數局部模型
    6.3.4  模型結構的隨機部分
    6.3.5  用于分類的預測模型
    6.3.6  選擇適當復雜度的模型
  6.4  概率分布和密度函數模型
    6.4.1  一般概念
    6.4.2  混合模型
    6.4.3  無序范疇型數據的聯(lián)合分布
    6.4.4  因式分解和高維空間中的獨立性
  6.5  維度效應
    6.5.1  高維數據的變量選擇
    6.5.2  高維數據的變換
  6.6  用于結構化數據的模型
  6.7  模式結構
    6.7.1  數據矩陣中的模式
    6.7.2  字符串模式
  6.3  參考讀物
第7章  數據挖掘算法的評分函數
  7.1  簡介
  7.2  對模式進行評價
  7.3  預測性評分函數和描述性評分函數
    7.3.1  評價預測模型的評分函數
    7.3.2  評價描述模型的評分函數
  7.4  評價不同復雜度的模型
    7.4.1  模型比較的一般概念
    7.4.2  再談偏差一方差
    7.4.3  懲罰復雜模型的評分函數
    7.4.4  使用外部驗證的評分函數
  7.5  模型和模式的評價
  7.6  魯棒方法
  7.7  補充讀物
第8章  搜索和優(yōu)化方法
  8.1  簡介
  8.2  搜索模型或模式
    8.2.1  搜索背景
    8.2.2  數據挖掘中的狀態(tài)空間搜索
    8.2.3  簡單貪婪搜索算法
    8.2.4  系統(tǒng)搜索和搜索啟示
    8.2.5  分支定界法
  8.3  參數優(yōu)化方法
    8.3.1  參數優(yōu)化：背景
    8.3.2  閉合形式解和線性代數方法
    8.3.3  優(yōu)化平滑函數的基于梯度方法
    8.3.4  一元參數優(yōu)化
    8.3.5  多元參數優(yōu)化
    8.3.6  約束優(yōu)化
  8.4  存在殘缺數據時的優(yōu)化：EM算法
  8.5  在線和單掃描算法
  8.6  隨機搜索和優(yōu)化技術
  8.7  補充讀物
第9章  描述建模
  9.1  簡介
  9.2  通過概率分布和密度描述數據
    9.2.1  簡介
    9.2.2  用來估計概率分布和密度的評分函數
    9.2.3  參數密度模型
    9.2.4  混合分布和密度
    9.2.5  混合模型的EM算法
    9.2.6  非參數的密度估計
    9.2.7  范疇型數據的聯(lián)合分布
  9.3  聚類分析背景
  9.4  基于劃分的聚類算法
    9.4.1  基于劃分聚類的評分函數
    9.4.2  基于劃分聚類的基本算法
  9.5  層次聚類
    9.5.1  凝聚方法
    9.5.2  分裂方法
  9.6  基于混合模型的概率聚類
  9.7  補充讀物
第10章  用于分類的預測建模
  10.1  預測建模概覽
  10.2  分類建模簡介
    10.2.1  判別分類和決策邊界
    10.2.2  分類的概率模型
    10.2.3  建立實際的分類器
  10.3  感知器
  10.4  線性判別式
  10.5  樹模型
  10.6  最近鄰方法
  10.7  1ogistic判別式分析
  10.8  樸素貝葉斯模型
  10.9  其他方法
  10.10  分類器的評估和比較
  10.11  高維分類的特征選取
  10.12  補充讀物
第11章  用于回歸的預測建模
  11.1  簡介
  11.2  線性模型和最小二乘法擬合
    11.2.1  擬合模型的計算問題
    11.2.2  線性回歸的概率解釋
    11.2.3  擬合后模型的解釋
    11.2.4  推理和泛化
    11.2.5  模型搜索和建模
    11.2.6  模型診斷和審查
  11.3  推廣的線性模型
  11.4  人工神經網絡
  11.5  其他高度參數化的模型
    11.5.1  推廣的相加模型
    11.5.2  投影追蹤回歸
  11.6  補充讀物
第12章  數據組織和數據庫
  12.1  簡介
  12.2  存儲器層次
  12.3  索引結構
    12.3.1  B-樹
    12.3.2  哈希索引
  12.4  多維索引
  12.5  關系數據庫
  12.6  操縱表格
  12.7  結構化查詢語言
  12.8  查詢的執(zhí)行和優(yōu)化
  12.9  數據倉庫和在線分析處理
  12.10  O1AP的數據結構
  12.11  字符串數據庫
  12.12  海量數據集.數據管理和數據挖掘
    12.12.1  把數據都放入主存儲器
    12.12.2  數據挖掘算法的可伸縮版本
    12.12.3  考慮磁盤訪問的有針對性算法
    12.12.4  偽數據集和充分統(tǒng)計量
  12.13  補充讀物
第13章  尋找模式和規(guī)則
  13.1  簡介
  13.2  規(guī)則表示
  13.3  頻繁項集和關聯(lián)規(guī)則
    13.3.1  簡介
    13.3.2  尋找頻繁集和關聯(lián)規(guī)則
  13.4  推廣
  13.5  尋找序列中的片段
  13.6  選擇發(fā)現(xiàn)的模式和規(guī)則
    13.6.1  簡介
    13.6.2  尋找模式的啟發(fā)式搜索
    13.6.3  有趣度標準
  13.7  從局部模式到全局模型
  13.8  預測規(guī)則歸納
  13.9  補充讀物
第14章  根據內容檢索
  14.1  簡介
  14.2  檢索系統(tǒng)的評價
    14.2.1  評價檢索性能的困難之處
    14.2.2  查準率對查全率
    14.2.3  查準率和查全率的實踐應用
  14.3  文本檢索
    14.3.1  文本的表示
    14.3.2  匹配查詢和文檔
    14.3.3  隱含語義索引
    14.3.4  文檔和文本分類
  14.4  對個人偏好建模
    14.4.1  相關性反饋
    14.4.2  自動推薦系統(tǒng)
  14.5  圖像檢索
    14.5.1  圖像理解
    14.5.2  圖像表示
    14.5.3  圖像查詢
    14.5.4  圖像恒定性
    14.5.5  圖像檢索的推廣
  14.6  時間序列和序列檢索
    14.6.1  時間序列數據的全局模型
    14.6.2  時間序列的結構和形狀
  14.7  本章歸納
  14.8  補充讀物
附錄  隨機變量
參考文獻
索引