資料採擷導論（簡體書）

本書為數據挖掘入門級教材，共分8章，主要內容分為三個專題：技術，數據和評估。技術專題包括決策樹技術、K-means關聯分析技術、神經網絡技術、回歸分析技術
、貝葉斯分析、凝聚類、概念分層聚類、混合模型類技術的EM算法、時間序列分析和基于Web的數據挖掘等常用的機器學習方法和統計分類正確和混淆矩陣，并結合檢驗集置信區間評估有指導學習模型，使用=無指導聚類技術評估有估屬性，使用Lift和假設驗比較兩個有指導學習模型，使用MSExcel2010和經典的假設檢驗模型評估屬性，使用簇質量度量方法和有指導學習技術評估無指導聚類模型。
本書秉承教材風格，強調廣度講解。注重成熟模型和開源工具的使用，以提高學習的應用能力為目標：注重結合實例和經驗，加強基本概念各實驗作業鞏固和檢驗所學內容：使用詞匯表附錄，解釋和數據規范數據挖掘學科專業術語：使用適合教學的簡單易用的Weka和通用的MSExcel軟件工具實施數據挖掘驗證和體驗數據挖掘的精妙。

第1章認識數據挖掘．
　1．1數據挖掘的定義
　1．2機器學習
1．2．1 概念學習
1．2．2歸納學習
1．2．3有指導的學習
1．2．4無指導的聚類
1．3 數據查詢
1．4專家系統．
　1．5數據挖掘的過程
1．5．1準備數據
1．5．2挖掘數據
1．5．3解釋和評估數據
1．5．4模型應用
　1．6數據挖掘的作用 第1章認識數據挖掘．
　1．1數據挖掘的定義
　1．2機器學習
1．2．1 概念學習
1．2．2歸納學習
1．2．3有指導的學習
1．2．4無指導的聚類
1．3 數據查詢
1．4專家系統．
　1．5數據挖掘的過程
1．5．1準備數據
1．5．2挖掘數據
1．5．3解釋和評估數據
1．5．4模型應用
　1．6數據挖掘的作用
1．6．1分類
1．6．2估計
1．6．3預測
1．6．4無指導聚類
1．6．5關聯關系分析
　1．7數據挖掘技術
1．7．1神經網絡
1．7．2回歸分析
1．7．3關聯分析
1．7．4聚類技術
　1．8數據挖掘的應用
1．8．1應用領域
1．8．2成功案例
　1．9 Weka數據挖掘軟件
1．9．1 Weka簡介
1．9．2使用Weka建立決策樹
模型
1．9．3使用Weka進行聚類
1．9．4使用Weka進行關聯分
本章小結
習題
第2章基本數據挖掘技術
　2．1 決策樹
2．1．1決策樹算法的一般過程
2．1．2決策樹算法的關鍵技術
2．1．3決策樹規則
2．1．4其他決策樹算法
2．1．5決策樹小結
　2．2關聯規則
2．2．1關聯規則概述
2．2．2關聯分析
2．2．3關聯規Nd,結
　2．3聚類分析技術
2．3．1 K．means算法
2．3．2 K．means算法小結
2．4數據挖掘技術的選擇
本章小結
習題
第3章數據庫中的知識發現
　3．1 知識發現的基本過程
3．1．1 KDD過程模型
3．1．2知識發現軟件
3．1_3 KDD過程的參與者
　3．2 KDD過程模型的應用
3．2．1步驟l：商業理解l
3．2．2步驟2：數據理解l
3．2.3步驟3：數據準備
3．2．4步驟4：建模
3．2．5評估
3．2．6部署和采取行動
　3．3實驗：KDD案例
本章小結
習題
第4章數據倉庫
　4．1數據庫與數據倉庫一
4．1．1數據(庫)模型
4．1．2規范化與反向規范化一
　4．2設計數據倉庫
4．2．1 數據抽取、清洗、變換和
加載·
4．2．2數據倉庫模型
4．2．3數據集市
4．2．4決策支持系統一
　4．3聯機分析處理
4．3，1概述
4．3．2實驗：使用OLAP輔助
駕駛員行為分析
　4．4使用Excel數據透視表和數據
透視圖分析數據
4．4．1 創建簡單數據透視表和
透視圖
4|412創建多維透視表和透視圖
本章小結
習題
第5章評估技術
5．1數據挖掘評估概述……
第6章神經網絡技術
第7章統計技術
第8章時間序列和基于Web的數據挖掘
附錄A詞匯表
附錄B數據挖掘數據集
參考文獻