本书结合作者多年的科研和教学经验编写而成，深入浅出地介绍了数据挖掘的原理、常用的各类算法，比较了各类算法的优缺点和适用场景，并以案例方式说明了数据挖掘算法与技术在实际中的应用。本书还包含大量从教学和IT招聘题中总结的试题，能够帮助读者理解、应用数据挖掘技术。本书的知识点覆盖面广，难度适中，不仅适合作为数据科学／大数据、人工智能、计算机及相关专业课程的教材，也可作为技术人员学习数据挖掘技术的参考书。

前言
第1章 绪论
1.1 数据挖掘的出现
1.2 为什么要学习数据挖掘
1.2.1 数据爆炸但知识贫乏
1.2.2 从商业数据到商业智能的进化
1.2.3 科学发展范式
1.3 什么是数据挖掘
1.3.1 数据挖掘的出现
1.3.2 数据挖掘的定义
1.3.3 数据的含义
1.3.4 信息的含义
1.3.5 知识的含义
1.3.6 数据、信息、知识的关系
1.3.7 数据挖掘过程
1.3.8 数据挖掘的关联课程
1.4 数据挖掘的内容
1.4.1 关联规则挖掘
1.4.2 分类
1.4.3 聚类
1.4.4 回归
1.5 本章小结
第2章 认识数据
2.1 数据的基本概念
2.1.1 数据对象
2.1.2 数据属性
2.1.3 属性的类型
2.1.4 属性类型的对比
2.1.5 离散属性与连续属性
2.2 数据的基本统计方法
2.2.1 中心化趋势统计量：均值、中位数和众数
2.2.2 离散度度量
2.2.3 分布形状度量
2.3 数据的基本可视化方法
2.3.1 箱线图可视化
2.3.2 直方图可视化
2.3.3 散点图可视化
2.4 数据相似性的计算方法
2.4.1 数据相似性和相异性度量的基本概念
2.4.2 标称属性的邻近性度量
2.4.3 二值属性的邻近性度量
2.4.4 序数属性的邻近性度量
2.4.5 数值属性的邻近性度量
2.4.6 混合类型属性的邻近性度量
2.4.7 余弦相似性
2.5 本章小结
第3章 数据预处理
3.1 数据质量
3.2 数据预处理的主要任务
3.2.1 数据清理
3.2.2 数据集成
3.2.3 数据规约
3.2.4 数据规范化和数据离散化
3.3 特征构造
3.3.1 为什么需要特征构造
3.3.2 基本特征构造法
……
第4章 分类的基本概念与朴素贝叶斯分类器
第5章 决策树分类
第6章 规则和最近邻分类器
第7章 回归算法
第8章 模型的评价
第9章 支持向量机分类器
第10章 神经网络分类器
第11章 集成学习
第12章 聚类算法
第13章 关联规则挖掘
第14章 计算网络节点影响力
第15章 信息推荐算法
第16章 自然语言处理中常用的神经网络模型
附录 试题精选