第1章  數(shù)據(jù)挖掘概述  1.1  數(shù)據(jù)挖掘的概念    1.1.1  KDD與數(shù)據(jù)挖掘    1.1.2  數(shù)據(jù)挖掘過程    1.1.3  數(shù)據(jù)挖掘任務(wù)  1.2  數(shù)據(jù)挖掘的發(fā)展歷程  1.3  數(shù)據(jù)挖掘 第1章 數(shù)據(jù)挖掘概述 1.1 數(shù)據(jù)挖掘的概念 1.1.1 KDD與數(shù)據(jù)挖掘 1.1.2 數(shù)據(jù)挖掘過程 1.1.3 數(shù)據(jù)挖掘任務(wù) 1.2 數(shù)據(jù)挖掘的發(fā)展歷程 1.3 數(shù)據(jù)挖掘的分類 1.4 數(shù)據(jù)挖掘的研究方法 1.4.1 統(tǒng)計分析方法 1.4.2 決策樹方法 1.4.3 模糊集方法 1.4.4 粗糙集方法 1.4.5 人工神經(jīng)網(wǎng)絡(luò)方法 1.4.6 遺傳算法 1.5 國內(nèi)外數(shù)據(jù)挖掘研究現(xiàn)狀 本章小結(jié) 參考文獻第2章 分類算法分析 2.1 分類概念 2.2 分類方法 2.3 決策樹算法 2.3.1 ID3算法 2.3.2 C4.5 算法 2.4 貝葉斯分類 2.5 粗糙集方法 2.5.1 粗糙集模型擴展 2.5.2 粗糙集與其他不確定信息處理理論的關(guān)系 2.6 遺傳算法 2.7 其他分類算法 本章小結(jié) 參考文獻第3章 聚類算法分析 3.1 聚類分析概述 3.1.1 聚類分析概念 3.1.2 聚類分析中的數(shù)據(jù)類型 3.2 聚類分類 3.3 劃分方法 3.3.1 K—means算法 3.3.2 Kmedoid算法 3.4 層次方法 3.4.1 BIRCH算法 3.4.2 CURE算法 3.5 密度方法 3.5.1 DBSCAN算法 3.5.2 OPTICS算法 3.6 網(wǎng)格方法 3.6.1 STING算法 3.6.2 Wavecluster算法 3.7 基于標(biāo)量化Ⅲ的聚類統(tǒng)計算法 3.7.1 數(shù)學(xué)描述 3.7.2 計算方法 3.7.3 文本數(shù)據(jù) 3.7.4 應(yīng)用實例 3.8 其他聚類算法 本章小結(jié) 參考文獻第4章 關(guān)聯(lián)規(guī)則算法分析 4.1 關(guān)聯(lián)規(guī)則概念 4.2 頻繁模式挖掘 4.2.1 Apriori算法 4.2.2 FP-Growth算法 4.2.3 DHP算法 4.2.4 DIC算法 4.3 序列模式挖掘 4.3.1 序列模式挖掘的相關(guān)概念 4.3.2 基于Apriori的序列模式挖掘算法 4.3.3 基于序列模式增長的序列模式挖掘算法 4.4 其他關(guān)聯(lián)規(guī)則算法 4.4.1 并行Apriori-like算法 4.4.2 并行FP-Growth算法 本章小結(jié) 參考文獻第5章 流數(shù)據(jù)挖掘技術(shù) 5.1 流數(shù)據(jù)挖掘技術(shù)概述 5.1.1 流數(shù)據(jù)概念 5.1.2 流數(shù)據(jù)模型 5.1.3 流數(shù)據(jù)挖掘算法特點 5.2 流數(shù)據(jù)挖掘技術(shù)分類 5.2.1 概要數(shù)據(jù)結(jié)構(gòu) 5.2.2 滑動窗口技術(shù) 5.2.3 多窗口和衰減因子技術(shù) 5.2.4 近似技術(shù)、自適應(yīng)技術(shù)和子空間技術(shù) 5.3 流數(shù)據(jù)聚類算法 5.3.1 CluStream算法 5.3.2 STREAM算法 5.3.3 D-Stream算法 5.3.4 GSCDS算法 5.3.5 HCluStrearn算法 5.4 流數(shù)據(jù)頻繁項集挖掘算法 5.4.1 FPN算法 5.4.2 NEC算法 5.4.3 Kaal算法 5.5 流數(shù)據(jù)分類算法 5.5.1 VFDT算法 5.5.2 CVFDT算法 5.6 多數(shù)據(jù)流挖掘算法 5.7 實時數(shù)據(jù)流挖掘技術(shù) 5.7.1 實時數(shù)據(jù)挖掘概述 5.7.2 實時數(shù)據(jù)挖掘方法 5.7.3 實時數(shù)據(jù)挖掘框架 5.7.4 實時數(shù)據(jù)挖掘模型 5.7.5 實時數(shù)據(jù)挖掘技術(shù)分類 5.8 流數(shù)據(jù)聚類演化分析 5.9 流數(shù)據(jù)挖掘新技術(shù)研究 本章小結(jié) 參考文獻第6章 高維聚類算法 6.1 高維聚類算法概述 6.1.1 高維聚類算法 6.1.2 高維度數(shù)據(jù)處理方法 6.2 高維數(shù)據(jù)流聚類分類 6.3 維度對聚類算法精度的影響 6.3.1 維度對數(shù)據(jù)對象間距離的影響 6.3.2 維度對算法聚類精度的影響 6.3.3 傳統(tǒng)方法降維實驗 6.4 混合類型屬性聚類算法 6.4.1 混合類型屬性的處理 6.4.2 UCI數(shù)據(jù)集實驗分析 6.4.3 流數(shù)據(jù)實驗分析 6.5 基于復(fù)相關(guān)系數(shù)倒數(shù)的降維 6.5.1 復(fù)相關(guān)系數(shù) 6.5.2 復(fù)相關(guān)系數(shù)倒數(shù)加權(quán) 6.5.3 降維實驗分析 本章小結(jié) 參考文獻第7章 分布式數(shù)據(jù)挖掘 7.1 分布式數(shù)據(jù)挖掘概述 7.2 分布式聚類算法 7.2.1 分布式聚類算法分析 7.2.2 分布式K-means聚類算法 7.2.3 分布式聚類算法K-DMeans 7.2.4 分布式聚類算法DK-Means 7.3 DRA-Kmeans聚類算法 7.3.1 DRA-Kmeans聚類算法相關(guān)技術(shù) 7.3.2 DRA-Kmeans局部聚類算法 7.3.3 DRA-Kmeans全局聚類算法 7.4 分布式數(shù)據(jù)挖掘新技術(shù)研究 本章小結(jié) 參考文獻第8章 物聯(lián)網(wǎng)數(shù)據(jù)挖掘 8.1 物聯(lián)網(wǎng)數(shù)據(jù)挖掘概述 8.2 物聯(lián)網(wǎng)數(shù)據(jù)挖掘技術(shù)分類 8.2.1 物聯(lián)網(wǎng)環(huán)境下基于分類的數(shù)據(jù)挖掘方法 8.2.2 物聯(lián)網(wǎng)環(huán)境下基于關(guān)聯(lián)規(guī)則的數(shù)據(jù)挖掘方法 8.2.3 物聯(lián)網(wǎng)環(huán)境下基于聚類分析的數(shù)據(jù)挖掘方法 8.2.4 物聯(lián)網(wǎng)環(huán)境下基于時間序列分析的數(shù)據(jù)挖掘方法 8.3 無線傳感器網(wǎng)絡(luò)中的聚類算法 8.4 RA-Cluster算法 8.5 物聯(lián)網(wǎng)路由算法 8.5.1 無線分布式網(wǎng)絡(luò)及其路由協(xié)議 8.5.2 物聯(lián)網(wǎng)路由算法分析 8.5.3 RA-AODVjr算法原理 8.5.4 RA-AODVjr算法實驗分析 8.6 物聯(lián)網(wǎng)數(shù)據(jù)挖掘新技術(shù)研究 本章小結(jié) 參考文獻第9章 數(shù)據(jù)挖掘新技術(shù) 9.1 業(yè)務(wù)活動監(jiān)控挖掘技術(shù) 9.1.1 業(yè)務(wù)活動監(jiān)控概述 9.1.2 業(yè)務(wù)活動監(jiān)控系統(tǒng)預(yù)測模型 9.1.3 結(jié)構(gòu)數(shù)據(jù)挖掘理論 9.2 云計算平臺架構(gòu)及數(shù)據(jù)挖掘方法 9.2.1 基于云計算的分布式數(shù)據(jù)挖掘平臺架構(gòu) 9.2.2 基于云計算的分布式數(shù)據(jù)挖掘算法 9.3 思維流程數(shù)據(jù)挖掘技術(shù) 9.3.1 思維流程發(fā)現(xiàn)的基本思想 9.3.2 思維流程發(fā)現(xiàn)的關(guān)鍵任務(wù) 9.3.3 思維流程發(fā)現(xiàn)研究的關(guān)鍵問題 本章小結(jié) 參考文獻