本书全面介绍了数据挖掘基础及其应用，重点阐述了数据挖掘经典算法、原理及其应用，旨在为读者提供数据挖掘所需的基本知识，使读者能够从整体上对数据挖掘内容与方法有所理解。本书内容包含五个主题：数据、分类、关联规则、聚类分析及其应用。对于分类、关联规则、聚类分析这三个主题，首先介绍了其基本概念与经典算法，在后续的章节中阐述了其更高级的主题。
本书可作为高等学校计算机相关专业的高年级本科生与研究生教材，也可作为需要理解数据挖掘和智能系统的专业人员的参考书。

第1章 绪论
1.1 数据概述
1.2 数据与社会变革
1.2.1 数据改变思维模式
1.2.2 数据改变社会模式
1.2.3 数据改变国家战略
1.3 数据挖掘的定义
1.4 数据挖掘的发展与应用
1.4.1 数据挖掘的发展
1.4.2 数据挖掘的应用
1.5 数据挖掘的任务与挑战
1.5.1 数据挖掘的任务
1.5.2 数据挖掘面临的挑战
1.6 本书内容与组织
1.6.1 章节安排
1.6.2 辅助阅读材料
本章小结
习题
参考文献
第2章 数据
2.1 数据的定义
2.2 属性的分类
2.3 数据类型
2.3.1 数据的特性
2.3.2 数据的分类
2.4 相似性计算
2.4.1 相似性定义
2.4.2 单属性相似性度量
2.4.3 多属性相似性度量
本章小结
习题
参考文献
第3章 数据预处理
3.1 数据质量
3.1.1 误差与噪声
3.1.2 应用问题
3.2 数据预处理概述
3.3 数据清洗
3.3.1 缺失数据处理
3.3.2 噪声数据处理
3.3.3 不一致数据处理
3.4 数据集成与转换
3.4.1 数据集成处理
3.4.2 数据转换处理
3.4.3 离散化和二进制化
3.5 数据约简
3.5.1 数据立方归并
3.5.2 维数约简
3.5.3 数据压缩
3.5.4 数据块约简
本章小结
习题
参考文献
第4章 分类I：概念与决策树算法
4.1 引言
4.1.1 分类的定义
4.1.2 分类的应用
4.1.3 分类算法
4.2 决策树
4.3 决策树原理与构建
4.3.1 算法原理
4.3.2 分支原则
4.3.3 最优划分
4.4 补充算法
4.4.1 ID3算法
4.4.2C4.5 算法
4.5 过拟合/欠拟合
4.5.1 定义
4.5.2 规避策略
4.6 分类准确性评估
4.6.1 准确性
4.6.2 ROC曲线
本章小结
习题
参考文献
第5章 分类Ⅱ：支持向量机
5.1 引言
5.2 数学模型
5.2.1 算法动机
5.2.2 数学模型
5.3 优化理论
5.3.1 凸优化
5.3.2 对偶理论
5.3.3 拉格朗日方法和KKT条件
5.4 SVM优化
5.4.1 硬间隔SVM
5.4.2 软间隔SVM
5.5 非线性SVM
5.6 SVM的应用
5.6.1 人脸识别
5.6.2 语音识别
5.6.3 图像处理
本章小结
习题
参考文献
第6章 分类Ⅲ：概率分类与回归
6.1 引言
6.2 贝叶斯公式
6.2.1 概率基础
6.2.2 图论基础
6.2.3 信息理论
6.3 贝叶斯分类算法
6.3.1 算法原理
6.3.2 朴素贝叶斯算法
6.3.3 算法应用
6.4 贝叶斯信念网络
6.4.1 定义与推理
6.4.2 结构学习(网络构建)
6.4.3 贝叶斯信念网络的特点
6.5 回归分析
6.5.1 预备知识
6.5.2 线性回归
6.5.3 多元线性回归
6.5.4 最小二乘回归
本章小结
习题
参考文献
第7章 关联规则I：频繁模式挖掘
7.1 引言
7.2 基本概念
7.3 频繁项集挖掘
7.3.1 暴力破解方法
7.3.2 Apriori算法
7.3.3 加速技术
7.4 频繁模式树算法
7.4.1 FP树表示法
7.4.2 FP算法的频繁项集的产生
7.4.3 FP树挖掘对比Apriori算法
本章小结
习题
参考文献
第8章 关联规则Ⅱ：关联规则挖掘
8.1 引言
8.2 关联规则提取
8.2.1 候选规则创建
8.2.2 关联规则挖掘
8.3 规则评价标准
8.3.1 支持度与置信度缺陷
8.3.2 关联规则价值衡量的方法
8.4 规则评价指标
8.4.1 兴趣度
8.4.2 其他度量
8.5 一致性问题
8.6 关联规则的应用
8.6.1 关联规则与CRM
8.6.2 CRM关联规则挖掘
本章小结
习题
参考文献
第9章 聚类分析I：概念与
K-均值算法
9.1 引言
9.2 聚类流程与方法
9.2.1 聚类流程
9.2.2 聚类方法
9.3 K-均值算法
9.3.1 算法的三大要素
9.3.2 算法的流程
9.3.3 算法的性能分析
9.4 K-均值算法的拓展
9.5 图像分割的应用
本章小结
习题
参考文献
第10章 聚类分析Ⅱ：分层聚类与
密度聚类
10.1 引言
10.2 分层聚类
10.2.1 算法流程
10.2.2 集合距离计算
10.3 分层聚类的实现
10.4 密度聚类
10.4.1 类密度
10.4.2 算法过程
10.5 聚类结果评估
10.6 聚类算法对比
10.6.1 K-均值算法
10.6.2 分层聚类
10.6.3 DBSCAN算法
本章小结
习题
参考文献
第11章 社交网络图聚类
11.1 引言
11.2 社团结构
11.2.1 社团度量标准
11.2.2 社团检测算法
11.3 半监督学习
11.4 社团挖掘
11.4.1 算法框架
11.4.2 参数优化
11.5 实验结果
11.5.1 检测性能
11.5.2 分辨极限容忍性分