数据挖掘是一个融合了数据库技术、人工智能、机器学习、统计学、知识工程、面向对象方法等新技术的多学科交叉的研究领域。今天,越来越多的人们投入数据挖掘技术的研究领域,各种算法的不断改进和推陈出新,再加上高性能的关系数据库技术以及数据仓库技术的成熟,使得数据挖掘技术有了飞速的发展,并使数据挖掘技术进入了实用的阶段。《数据挖掘算法及其应用研究》结合大量国内外最近几年数据挖掘的最新资料和作者的研究成果,系统地介绍了数据挖掘算法以及相关的技术及其在一些领域中的应用。
《数据挖掘算法及其应用研究》共分2个部分,第1部分介绍数据挖掘算法,包括决策树算法、贝叶斯网络算法、人工神经网络、支持向量机、关联规则、聚类分析以及一些数据挖掘的相关技术等。第2部分主要讨论数据挖掘的应用研究,包括在信用评估模型中的应用和数据挖掘技术在决策支持系统中的应用。《数据挖掘算法及其应用研究》的读者可以是对数据挖掘感兴趣的计算机专业人士,也可供数据挖掘、机器智能、商业数据分析等领域的科技人员和高校师生参考。
目录
- 第1章 概论
- 1.1 数据挖掘概念及其产生的背景
- 1.2 数据挖掘起源
- 1.3 数据挖掘任务
- 1.4 数据挖掘过程
- 1.5 数据挖掘解决的典型问题
- 1.6 数据挖掘常用工具及开发商
- 第2章 决策树算法
- 2.1 分类原理
- 2.2 决策树算法概述
- 2.3 决策树相关概念及定义
- 2.4 决策树生成过程
- 2.5 决策树算法特点
- 2.6 决策树剪枝技术
- 2.7 决策树算法国内外研究现状
- 2.8 ID3算法
- 2.9 C4.5算法
- 2.10 CART算法
- 2.11 SLIQ算法
- 2.12 SPRINT算法
- 2.13 PUBLIC算法
- 2.14 决策树算法比较
- 第3章 贝叶斯分类算法
- 3.1 贝叶斯分类理论
- 3.2 贝叶斯分类模型
- 3.3 贝叶斯分类模型的改进研究
- 3.4 贝叶斯网络
- 3.5 贝叶斯网络应用实例
- 第4章 人工神经网络算法
- 4.1 基本概念及特征
- 4.2 人工神经网络的分类
- 4.3 人工神经网络的发展历史
- 4.4 人工神经元模型
- 4.5 BP神经网络
- 4.6 BP神经算法应用实例
- 第5章 支持向量机
- 5.1 概述
- 5.2 统计学习理论
- 5.3 支持向量机定义
- 5.4 核函数
- 5.5 支持向量机的训练算法
- 5.6 支持向量机应用实例
- 第6章 关联规则
- 6.1 关联规则相关定义及基本概念
- 6.2 APRIORI算法
- 6.3 从频繁项集到强关联规则
- 6.4 提高APRIORI算法的效率
- 6.5 Web挖掘
- 第7章 聚类分析
- 7.1 概述
- 7.2 数据结构与数据类型
- 7.3 聚类准则函数
- 7.4 主要聚类算法
- 7.5 K-means聚类算法
- 7.6 K-means算法应用实例
- 第8章 数据挖掘相关技术
- 8.1 粗糙集技术
- 8.2 模糊集技术
- 8.3 数据仓库
- 第9章 一数据挖掘在信用评估模型中的应用
- 9.1 我国商业银行运用数据挖掘技术的必要性
- 9.2 信用的基本概念
- 9.3 信用风险的影响因素
- 9.4 风险评估的特点
- 9.5 信用评估模型的主要应用技术
- 9.6 基于数据挖掘的农户小额贷款信用评估模型研究
- 第10章 数据挖掘在决策支持系统中的应用
- 10.1 决策支持系统
- 10.2 决策支持系统的主要特征及功能
- 10.3 智能决策支持系统
- 10.4 基于数据挖掘的房地产决策支持系统的开发
- 参考文献