數據挖掘技術（簡體書）

數據采集和存儲技術的進步導致了數據規模的日益增加，數據是一種寶貴的信息資源，但這種資源同礦藏一樣，只有通過管理、分析、挖掘、提煉等操作，才能使潛在的資源變成可用的財富。
本書系統地介紹了數據挖掘技術的產生、發展、應用及相關原理和算法，其主要內容包括：數據挖掘基本知識、數據挖掘處理流程、數據倉庫和聯機分析處理、關聯規則發現方法、序列模式挖掘方法、決策樹分類方法、貝葉斯分類法、各種聚類方法、Web挖掘以及分類方法在醫學圖像中的應用。本書包含了作者多年來在數據挖掘中的研究成果。
本書可作為計算機專業、自動化專業、生物醫學專業等高年級本科生與研究生課程的教材，也可作為需要了解數據挖掘有關方法與技術的研究、設計和開發人員的參考書。

1 緒論
1.1 數據管理
1.2 數據倉庫和聯機分析處理
1.3 數據挖掘和知識發現
1.4 數據挖掘工具
1.5 本章小結
2 數據倉庫和聯機分析處理
2.1 數據倉庫概念
2.2 數據倉庫中的數據組織
2.3 數據倉庫的基本數據模型
2.4 數據倉庫的實現策略
2.5 數據倉庫與聯機分析處理
2.6 聯機分析處理
2.7 數據倉庫與數據挖掘
2.8 本章小結
3 關聯規則挖掘
3.1 基本概念
3.2 關聯規則的Apriori算法
3.3 Apriori的改進算法
3.4 基于FP—tree的關聯規則挖掘算法FP—growth
3.5 多層關聯規則挖掘
3.6 多維關聯規則挖掘
3.7 基于約束的關聯規則挖掘
3.8 數量關聯規則挖掘
3.9 最大頻繁項目集挖掘
3.10 關聯規則更新挖掘算法
3.11 一種新的支持度計算方法
3.12 負關聯規則挖掘算法
3.13 加權關聯規則挖掘算法
3.14 本章小結
4 序列模式挖掘
4.1 問題描述
4.2 類Apriori(Apriori—based)方法
4.3 GSP算法
4.4 基于投影的序列模式挖掘算法PrefixSpan
4.5 SPADE方法
4.6 序列模式增量式更新算法
4.7 本章小結
5 分類
5.1 分類概述
5.2 決策樹(DecisionTree)方法
5.3 ID3決策樹方法
5.4 C4.5方法
5.5 IBLE決策規則樹方法
5.6 SLIQ：一種快速可擴展的分類算法
5.7 SPRINT：一種可擴展的并行分類器
5.8 貝葉斯方法
5.9 本章小結
6 聚類分析
6.1 什么是聚類分析
6.2 距離和相似系數
6.3 聚類分析的過程
6.4 聚類分析算法的分類
6.5 常用的聚類算法
6.6 孤立點分析
6.7 高維空間聚類問題
6.8 本章小結
7 Web挖掘
7.1 Web挖掘概述
7.2 Web挖掘基本流程
7.3 Web挖掘分類
7.4 Web挖掘的應用前景
7.5 本章小結
8 基于數據挖掘的醫學圖像分類
8.1 分類模型的基本框架
8.2 醫學圖像的特征描述
8.3 醫學圖像分割及局部組織特征的提取
8.4 關聯分類規則
8.5 規則比較與分析
8.6 本章小結
參考文獻