第1章 數(shù)據(jù)挖掘與數(shù)學(xué)建模關(guān)系概述
1.1 當(dāng)前信息化發(fā)展的趨勢(shì)與面對(duì)問題
1.2 數(shù)據(jù)挖掘發(fā)展及其應(yīng)用
1.3 基于數(shù)據(jù)挖掘的數(shù)學(xué)建模
1.4 數(shù)據(jù)挖掘軟件Clementine的基本操作概述
1.4.1 Clementine數(shù)據(jù)挖掘的基本思想
1.4.2 Clementine的基本操作方法
參考文獻(xiàn)

第2章 統(tǒng)計(jì)分析
2.1 問題概述
2.2 回歸分析及其應(yīng)用
2.2.1 回歸分析概述
2.2.2 一元線性回歸及其模型建立
2.2.3 多元線性回歸及其建模過程
2.2.4 Clementine輔助多元回歸分析
2.3 二項(xiàng)邏輯回歸
2.3.1 二項(xiàng)邏輯回歸概述
2.3.2 二項(xiàng)邏輯回歸模型
2.3.3 二項(xiàng)邏輯回歸方程中回歸系數(shù)的含義
2.3.4 二項(xiàng)邏輯回歸方程的檢驗(yàn)
2.3.5 Clementine輔助Logistic回歸模型
2.4 主成分分析
2.4.1 主成分分析概述
2.4.2 主成分分析的數(shù)學(xué)模型
2.4.3 主成分計(jì)算步驟及應(yīng)用
2.5 因子分析
2.5.1 因子分析概述
2.5.2 因子分析的數(shù)學(xué)模型
2.5 3因子載荷陣的估計(jì)方法
2.5.4 因子旋轉(zhuǎn)
2.5.5 因子得分
2.5.6 因子分析與主成分分析的聯(lián)系與區(qū)別
2.6 管理勝任力的案例分析和數(shù)學(xué)建模
2.6.1 問題提出
2.6.2 數(shù)據(jù)處理
2.6.3 模型建立
2.6.4 模型檢驗(yàn)
2.6.5 模型應(yīng)用
參考文獻(xiàn)

第3章 聚類分析
3.1 問題概述
3.2 聚類分析概述
3.3 基于距離的聚類相似度
3.4 系統(tǒng)聚類法
3.5 C-均值（C-Means）聚類算法
3.6 Clementine輔助K-Means聚類
3.7 模糊聚類
3.7.1 模糊C-Means（FCM）算法
3.7.2 WFCM算法
3.8 聚類有效性
3.8.1 基于可能性分布的聚類有效性函數(shù)
3.8.2 基于模糊相關(guān)度的聚類有效性函數(shù)
3.9 醫(yī)療建設(shè)評(píng)價(jià)的案例分析與數(shù)學(xué)建模
參考文獻(xiàn)

第4章 神經(jīng)網(wǎng)絡(luò)及其應(yīng)用
4.1 問題概述
4.2 神經(jīng)網(wǎng)絡(luò)概述
4.3 神經(jīng)網(wǎng)絡(luò)的基本模型
4.3.1 神經(jīng)網(wǎng)絡(luò)的理論依據(jù)
4.3.2 神經(jīng)網(wǎng)絡(luò)的組成
4.3.3 感知機(jī)模型
4.4 誤差逆?zhèn)鞑ド窠?jīng)網(wǎng)絡(luò)模型
4.4.1 BP神經(jīng)網(wǎng)絡(luò)的基本原理
4.4.2 BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法
4.4.3 Clementine輔助XOR問題的模型建立
4.5 RBF神經(jīng)網(wǎng)絡(luò)
4.5.1 RBF神經(jīng)網(wǎng)絡(luò)的基本原理
4.5.2 RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法
4.5.3 新型輪胎性能的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)
4.6 自組織特征映射（SOM）神經(jīng)網(wǎng)絡(luò)
4.6.1 SOM模型的基本原理
4.6.2 SOM模型的學(xué)習(xí)算法
4.6.3 Clementine輔助Kohonen模型建立
4.7 神經(jīng)網(wǎng)絡(luò)的案例分析與數(shù)學(xué)建模
4.7.1 城市醫(yī)療能力評(píng)價(jià)的BP神經(jīng)網(wǎng)絡(luò)
4.7.2 地下燃?xì)夤芫W(wǎng)安全風(fēng)險(xiǎn)的綜合評(píng)價(jià)
4.8 模糊神經(jīng)網(wǎng)絡(luò)
4.8.1 模糊基本概念
4.8.2 模糊神經(jīng)網(wǎng)絡(luò)概述
4.8.3 模糊神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
4.8.4 食品安全管理主任評(píng)價(jià)模糊神經(jīng)網(wǎng)絡(luò)模型
參考文獻(xiàn)

第5章 決策樹及其應(yīng)用
5.1 問題概述
5.2 決策樹概述
5.2.1 決策樹基本算法
5.2.2 CLS算法
5.2.3 信息熵
5.3 ID3算法
5.3.1 基本思想
5.3.2 ID3算法應(yīng)用實(shí)例
5.4.4.5 算法
5.4.1 基本思想
5.4.2 基于信息增益率建模的決策樹
5.5 CART算法
5.5.1 基本思想
5.5.2 基于CART算法建模的決策樹
5.6 Clementine輔助決策樹建立
5.7 決策樹的評(píng)價(jià)標(biāo)準(zhǔn)
5.8 決策樹的剪枝
5.9 決策樹的優(yōu)化
5.10 燃?xì)夤芫W(wǎng)安全預(yù)測(cè)案例分析與數(shù)學(xué)建模
5.11 模糊決策樹
5.11.1 模糊決策樹基本原理
5.11.2 模糊決策樹ID3算法
5.11.3 績(jī)效評(píng)估的模糊決策樹建立
參考文獻(xiàn)

第6章 關(guān)聯(lián)分析
6.1 問題概述
6.2 關(guān)聯(lián)分析概述
6.3 Apriori關(guān)聯(lián)規(guī)則算法
6.4 Clementine輔助Apriori算法實(shí)現(xiàn)關(guān)聯(lián)分析
6.5 基于Apriori算法的改進(jìn)算法
6.6 基于分類搜索的關(guān)聯(lián)規(guī)則算法
6.7 基于頻繁樹的關(guān)聯(lián)規(guī)則算法
6.8 關(guān)聯(lián)規(guī)則的推廣
6.8.1 層次關(guān)聯(lián)規(guī)則算法
6.8.2 三種層次關(guān)聯(lián)規(guī)則的算法
6.9 時(shí)序關(guān)聯(lián)規(guī)則算法
6.10 Clememtin輔助時(shí)序關(guān)聯(lián)分析
6.11 多值屬性關(guān)聯(lián)規(guī)則算法
6.12 增量關(guān)聯(lián)規(guī)則算法
6.12.1 方法概述
6.12.2 算法描述
……
第7章 遺傳算法
第8章 貝葉斯網(wǎng)絡(luò)與知識(shí)推理
參考文獻(xiàn)