數(shù)據(jù)挖掘基礎(chǔ)

第1章 數(shù)據(jù)挖掘概念
1.1 數(shù)據(jù)挖掘概述
1.1.1 什么是數(shù)據(jù)挖掘
1.1.2 數(shù)據(jù)挖掘常用算法概述
1.1.3 數(shù)據(jù)挖掘常用工具概述
1.2 數(shù)據(jù)探索
1.2.1 數(shù)據(jù)概述
1.2.2 數(shù)據(jù)質(zhì)量
1.2.3 數(shù)據(jù)預(yù)處理
1.3 數(shù)據(jù)挖掘的應(yīng)用
1.3.1 數(shù)據(jù)挖掘現(xiàn)狀及發(fā)展趨勢(shì)
1.3.2 數(shù)據(jù)挖掘需要解決的問(wèn)題
1.3.3 數(shù)據(jù)挖掘的應(yīng)用場(chǎng)景
1.4 作業(yè)與練習(xí)
參考文獻(xiàn)
第2章 分類
2.1 分類概述
2.1.1 分類的基本概念
2.1.2 解決分類問(wèn)題的一般方法
2.1.3 決策樹
案例：Web機(jī)器人檢測(cè)
2.1.4 模型的過(guò)分?jǐn)M合
2.2 貝葉斯決策與分類器
2.2.1 規(guī)則分類器
2.2.2 分類中貝葉斯定理的應(yīng)用
2.2.3 分類中樸素貝葉斯的應(yīng)用
2.3 支持向量機(jī)
2.3.1 最大邊緣超平面
2.3.2 線性支持向量機(jī)SVM
2.3.3 非線性支持向量機(jī)SVM
2.4 分類在實(shí)際場(chǎng)景中的應(yīng)用案例
案例一：如何解決文章主題關(guān)鍵字與搜索引擎關(guān)鍵字帶來(lái)的檢索結(jié)果差異
案例二：甄別新金融交易方式的欺詐行為
案例三：在線廣告推薦中的分類
2.5 作業(yè)與練習(xí)
參考文獻(xiàn)
第3章 聚類
3.1 聚類概述
3.1.1 聚類的基本概念
3.1.2 聚類算法
3.2 聚合分析方法
3.2.1 歐氏距離
3.2.2 聚合過(guò)程
3.2.3 聚類樹
3.2.4 聚合分析方法應(yīng)用例子
3.3 聚類在實(shí)際場(chǎng)景中的應(yīng)用案例
3.4 聚類的實(shí)現(xiàn)例子
3.5 作業(yè)與練習(xí)
參考文獻(xiàn)
第4章 關(guān)聯(lián)規(guī)則
4.1 關(guān)聯(lián)規(guī)則概述
4.1.1 經(jīng)典案例導(dǎo)入
4.1.2 關(guān)聯(lián)規(guī)則的基本概念和定義
4.1.3 關(guān)聯(lián)規(guī)則的分類
4.2 關(guān)聯(lián)規(guī)則的挖掘過(guò)程
4.2.1 知識(shí)回顧
4.2.2 頻繁項(xiàng)集產(chǎn)生
4.2.3 強(qiáng)關(guān)聯(lián)規(guī)則
4.2.4 關(guān)聯(lián)規(guī)則評(píng)價(jià)標(biāo)準(zhǔn)
4.3 關(guān)聯(lián)規(guī)則的Apriori算法
4.3.1 知識(shí)回顧
4.3.2 Apriori算法的核心思想
4.3.3 Apriori算法描述
4.3.4 Apriori算法評(píng)價(jià)
4.3.5 Apriori算法改進(jìn)
4.4 關(guān)聯(lián)規(guī)則的FP-growth算法
4.4.1 構(gòu)建FP樹
4.4.2 從FP樹中挖掘頻繁項(xiàng)集
4.5 實(shí)戰(zhàn)：關(guān)聯(lián)規(guī)則挖掘?qū)嵗?br />4.5.1 關(guān)聯(lián)規(guī)則挖掘技術(shù)在國(guó)內(nèi)外的應(yīng)用現(xiàn)狀
4.5.2 關(guān)聯(lián)規(guī)則應(yīng)用實(shí)例
4.5.3 關(guān)聯(lián)規(guī)則在大型超市中應(yīng)用的步驟
4.6 作業(yè)與練習(xí)
參考文獻(xiàn)
第5章 綜合實(shí)戰(zhàn)—日志的挖掘與應(yīng)用
5.1 日志概念
5.1.1 日志是什么
5.1.2 日志能做什么
5.2 日志處理
5.2.1 產(chǎn)生日志
5.2.2 傳輸日志
5.2.3 存儲(chǔ)日志
5.2.4 分析日志
5.2.5 日志規(guī)范與標(biāo)準(zhǔn)
5.3 日志分析原理及工具
5.3.1 日志分析原理
5.3.2 日志分析工具
5.3.3 日志分析系統(tǒng)規(guī)劃建設(shè)
5.4 日志挖掘應(yīng)用
5.4.1 安全運(yùn)維
5.4.2 系統(tǒng)健康分析
5.4.3 用戶行為分析
5.4.4 業(yè)務(wù)分析設(shè)計(jì)
5.5 日志分析挖掘?qū)嵗?br />5.6 作業(yè)與練習(xí)
參考文獻(xiàn)
第6章 數(shù)據(jù)挖掘應(yīng)用案例
6.1 電力行業(yè)采用聚類方法進(jìn)行主變油溫分析
6.1.1 需求背景及采用的大數(shù)據(jù)分析方法
6.1.2 大數(shù)據(jù)分析方法的實(shí)現(xiàn)過(guò)程
6.1.3 大數(shù)據(jù)分析方法的實(shí)現(xiàn)結(jié)果
6.2 銀行信貸評(píng)價(jià)
6.2.1 簡(jiǎn)介
6.2.2 神經(jīng)網(wǎng)絡(luò)模型
6.2.3 實(shí)證檢驗(yàn)
6.3 指數(shù)預(yù)測(cè)
6.3.1 金融時(shí)間序列概況
6.3.2 小波消噪
6.3.3 向量機(jī)
6.3.4 指數(shù)預(yù)測(cè)
6.4 客戶分群的精準(zhǔn)智能營(yíng)銷
6.4.1 挖掘目標(biāo)
6.4.2 分析方法和過(guò)程
6.4.3 建模仿真
6.5 使用WEKA進(jìn)行房屋定價(jià)
6.6 作業(yè)與練習(xí)
參考文獻(xiàn)
附錄A 大數(shù)據(jù)和人工智能實(shí)驗(yàn)環(huán)境
附錄B Hadoop環(huán)境要求
附錄C 名詞解釋