本书解释、探索了数据挖掘的主要技术，可以从数据中自动提取隐式和潜在有用的信息。数据挖掘越来越多地用于商业、科学和其他应用领域，它侧重于分类、关联规则挖掘和聚类。
书中对每个主题都进行了清晰的解释，重点是算法而不是数学公式，并通过详细的有效示例加以说明。本书是为没有强数学或统计学背景的读者写的，并详细解释了使用的所有公式。
本书适合作为本科生或研究生层次的教材，适用专业包括计算机科学、商业研究、市场营销、人工智能、生物信息学和法医学。
为了帮助读者自学，本书旨在帮助普通读者理解什么是“黑盒”，这样他们就可以有差别地使用商业数据挖掘包，高级读者或学术研究者可以对未来该领域的技术进步做出贡献。
书中每一章都有实践练习，让读者检查自己的进度。附录还包括所使用的技术术语的完整术语表。
数据挖掘原理包括对流数据分类算法的介绍，包括平稳数据（底层模型是固定的）和依赖时间的数据（底层模型不时变化）——这种现象称为概念漂移。
本书提供了前馈神经网络与反向传播的详细描述，并显示它如何可以用于分类。

麦克斯·布拉默是英国朴次茅斯大学信息技术系荣誉教授、IFIP副主席、英国计算机学会AI专家组主席。
自从 “数据挖掘”“数据库中的知识发现”“大数据”和“预测分析”等技术兴起以来，Max积极参与了多个数据挖掘项目，尤其是与数据自动分类相关的项目。Max发表了大量技术文章，曾撰写Research and Development in Intelligent Systems等著作。Max具有多年的本科和研究生教学经验。

第1章 数据挖掘简介
1.1 数据爆炸
1.2 知识发现
1.3 数据挖掘的应用
1.4 标签数据和无标签数据
1.5 监督学习：分类
1.6 监督学习：数值预测
1.7 无监督学习：关联规则
1.8 无监督学习：聚类
第2章 用于挖掘的数据
2.1 标准制定
2.2 变量的类型
2.3 数据准备
2.4 缺失值
2.4.1 丢弃实例
2.4.2 用最频繁值/平均值替换
2.5 减少属性个数
2.6 数据集的UCI存储库
2.7 本章小结
2.8 自我评估练习
第3章 分类简介：朴素贝叶斯和最近邻算法
3.1 什么是分类
3.2 朴素贝叶斯分类器
3.3 最近邻分类
3.3.1 距离测量
3.3.2 标准化
3.3.3 处理分类属性
3.4 急切式和懒惰式学习
3.5 本章小结
3.6 自我评估练习
第4章 使用决策树进行分类
4.1 决策规则和决策树
4.1.1 决策树：高尔夫示例
4.1.2 术语
4.1.3 degrees数据集
4.2 TDIDT算法
4.3 推理的类型
4.4 本章小结
4.5 自我评估练习
第5章 决策树归纳：使用熵进行属性选择
5.1 属性选择：一个实验
5.2 替代决策树
5.2.1 足球/无板篮球示例
5.2.2 匿名数据集
5.3 选择要分裂的属性：使用熵
……
第6章 决策树归纳：使用频率表进行属性选择
第7章 估计分类器的预测精度
第8章 连续属性
第9章 避免决策树的过度拟合
第10章 关于熵的更多信息
第11章 归纳分类的模块化规则
第12章 度量分类器的性能
第13章 处理大量数据
第14章 集成分类
第15章 比较分类器
第16章 关联规则挖掘Ⅰ
第17章 关联规则挖掘Ⅱ
第18章 关联规则挖掘Ⅲ：频繁模式树
第19章 聚类
第20章 文本挖掘
第21章 分类流数据
第22章 分类流数据Ⅱ：时间权关数据
第23章 神经网络概论
附录A 基本数学知识
附录B 数据集
附录C 更多信息来源
附录D 词汇表和符号
附录E 自我评估练习题答案