数据挖掘原理与实践

本章小结

8.4 案例六——基于内容的垃圾邮件识别

8.3 案例五——跨语言智能学术搜索系统

8.2 Web数据挖掘

8.1 文本挖掘

第8章 文本挖掘与Web数据挖掘

本章小结

7.5 案例四：移动业务关联分析

7.4 案例三：客户细分与流失分析

7.3 案例二：基于通话数据的社会网络分析

7.2 案例一：客户通话模式分析

7.1 数据挖掘在电信业的应用概述

第7章 数据挖掘在电信业中的应用

下篇 实践篇

习题6

本章小结

6.6 离群点挖掘方法的评估

6.5 基于聚类的方法

6.4 基于相对密度的方法

6.3 基于距离的方法

6.2 基于统计的方法

6.1 概述

第6章 离群点挖掘

习题5

本章小结

5.6 序列模式

5.5 关联规则的评价

5.4 非二元属性的关联规则挖掘

5.3 关联规则的生成

5.2 频繁项集发现算法

5.1 概述

第5章 关联分析

习题4

本章小结

4.8 聚类算法评价

4.7 基于模型的聚类算法

4.6 一趟聚类算法

4.5 基于图的聚类算法

4.4 基于密度的聚类算法

4.3 层次聚类算法

4.2 基于划分的聚类算法

4.1 概述

第4章 聚类分析

习题3

本章小结

3.10 回归

3.9 分类模型的评价

3.8 不平衡数据分类

3.7 集成学习法

3.6 支持向量机

3.5 神经网络分类方法

3.4 k-最近邻分类方法

3.3 贝叶斯分类方法

3.2 决策树分类方法

3.1 概述

第3章 分类与回归

习题2

本章小结

2.4 相似性度量

2.3 数据预处理

2.2 数据统计特性

2.1 数据

第2章 数据处理基础

习题1

本章小结

1.4 数据挖掘技术的前景、研究热点

1.3 数据挖掘应用

1.2 数据挖掘任务及过程

1.1 数据挖掘产生的背景

第1章 绪论

上篇 原理篇

前言

版权信息

封面

封面

版权信息

前言

上篇 原理篇

第1章 绪论

1.1 数据挖掘产生的背景

1.2 数据挖掘任务及过程

1.3 数据挖掘应用

1.4 数据挖掘技术的前景、研究热点

本章小结

习题1

第2章 数据处理基础

2.1 数据

2.2 数据统计特性

2.3 数据预处理

2.4 相似性度量

本章小结

习题2

第3章 分类与回归

3.1 概述

3.2 决策树分类方法

3.3 贝叶斯分类方法

3.4 k-最近邻分类方法

3.5 神经网络分类方法

3.6 支持向量机

3.7 集成学习法

3.8 不平衡数据分类

3.9 分类模型的评价

3.10 回归

本章小结

习题3

第4章 聚类分析

4.1 概述

4.2 基于划分的聚类算法

4.3 层次聚类算法

4.4 基于密度的聚类算法

4.5 基于图的聚类算法

4.6 一趟聚类算法

4.7 基于模型的聚类算法

4.8 聚类算法评价

本章小结

习题4

第5章 关联分析

5.1 概述

5.2 频繁项集发现算法

5.3 关联规则的生成

5.4 非二元属性的关联规则挖掘

5.5 关联规则的评价

5.6 序列模式

本章小结

习题5

第6章 离群点挖掘

6.1 概述

6.2 基于统计的方法

6.3 基于距离的方法

6.4 基于相对密度的方法

6.5 基于聚类的方法

6.6 离群点挖掘方法的评估

本章小结

习题6

下篇 实践篇

第7章 数据挖掘在电信业中的应用

7.1 数据挖掘在电信业的应用概述

7.2 案例一：客户通话模式分析

7.3 案例二：基于通话数据的社会网络分析

7.4 案例三：客户细分与流失分析

7.5 案例四：移动业务关联分析

本章小结

第8章 文本挖掘与Web数据挖掘

8.1 文本挖掘

8.2 Web数据挖掘

8.3 案例五——跨语言智能学术搜索系统

8.4 案例六——基于内容的垃圾邮件识别

本章小结