当前，众多企业正面临越来越多的管理数据，如何从海量的数据中挖掘、提炼出企业的有效决策支持信息，已经成为各企业发展及培训、招揽人才的主攻方向，而高校人才培养的计划中也高度注意了这一点。本书针对这一需求，以数据挖掘主要方法为主线组织教科书内容，结合国际跨行业数据挖掘标准流程，以企业管理面临的现实问题作为应用案例，由浅入深介绍数据挖掘方法及其解决问题过程的数据理解、数据处理、数据分析、数学建模、模型结果评估等内容，并引人应用广泛的数据挖掘Clementine软件辅助问题案例的解决，使读者不仅可以集中地学习数据挖据的主要理论方法。

本书以国际数据挖掘标准流程（GRISP-DM）为依据，以企业管理面临的现实问题为应用案例，由浅入深介绍数据挖掘方法及其解决问题过程的数据理解、数据处理、数据分析、数学建模、模型结果评估等内容，并引人应用广泛的数据挖掘Clementine软件辅助问题案例的解决，使读者不仅可以集中地学习数据挖据的主要理论方法，而且可以了解基于数据挖掘的数学建模过程，可以学习应用软件辅助解决问题的操作方法。

本书把理论、案例、建模、软件辅助结合一体统一叙述，简述理论，突出应用，详细分析，展示过程，既考虑高校学生的学习需要，分本科生与研究生学习层次，又考虑企业管理者的应用与实践需要。

本书可作为数据挖掘理论与技术的教学、实践、应用和提高的教科书或参考书。适合高等学校本科高年级学生、研究生以及学习数据挖掘、数学模型课程的学生使用，也适合相关的企业管理与决策支持技术人员使用。

第1章 数据挖掘与数学建模关系概述

　1.1 当前信息化发展的趋势与面对问题

　1.2 数据挖掘发展及其应用

　1.3 基于数据挖掘的数学建模

　1.4 数据挖掘软件Clementine的基本操作概述

　参考文献

第2章 统计分析

　2.1 问题概述

　2.2 回归分析及其应用

　2.3 二项逻辑回归

　2.4 主成分分析

　2.5 因子分析

　2.6 管理胜任力的案例分析和数学建模

　参考文献

第3章 聚类分析

　3.1 问题概述

　3.2 聚类分析概述

　3.3 基于距离的聚类相似度

　3.4 系统聚类法

　3.5 C-均值(C-Means)聚类算法

　3.6 Clementine辅助K-Means聚类

　3.7 模糊聚类

　3.8 聚类有效性

　3.9 医疗建设评价的案例分析与数学建模

　参考文献

第4章 神经网络及其应用

　4.1 问题概述

　4.2 神经网络概述

　4.3 神经网络的基本模型

　4.4 误差逆传播神经网络模型

　4.5 RBF神经网络

　4.6 自组织特征映射(SOM)神经网络

　4.7 神经网络的案例分析与数学建模

　4.8 模糊神经网络

　参考文献

第5章 决策树及其应用

　5.1 问题概述

　5.2 决策树概述

　5.3 ID3算法

　5.4 C4.5算法

　5.5 CART算法

　5.6 Clementine辅助决策树建立

　5.7 决策树的评价标准

　5.8 决策树的剪枝

　5.9 决策树的优化

　5.10 燃气管网安全预测案例分析与数学建模

　5.11 模糊决策树

　参考文献

第6章 关联分析

　6.1 问题概述

　6.2 关联分析概述

　6.3 Apriori关联规则算法

　6.4 Clementine辅助Apriori算法实现关联分析

　6.5 基于Apriori算法的改进算法

　6.6 基于分类搜索的关联规则算法

　6.7 基于频繁树的关联规则算法

　6.8 关联规则的推广

　6.9 时序关联规则算法

　6.10 Clememtin辅助时序关联分析

　6.11 多值属性关联规则算法

　6.12 增量关联规则算法

　6.13 基于关联规则的分类算法

　6.14 关联分类算法的改进

　6.15 模糊关联分类算法与应用

　6.16 关联规则案例分析与数学建模

　参考文献

第7章 遗传算法

　7.1 问题概述

　7.2 遗传算法概述

　7.3 模式定理

　7.4 改进的遗传算法

　7.5 遗传算法案例分析与数学建模

　参考文献

第8章 贝叶斯网络与知识推理

　8.1 问题概述

　8.2 贝叶斯网络原理概述

　8.3 主要贝叶斯网络模型

　8.4 管理胜任力的贝叶斯网络知识推理模型建立

　8.5 Clementine辅助贝叶斯网络的建立

　8.6 地下燃气管网安全风险的贝叶斯网络知识推理与诊断

　8.7 模糊贝叶斯网络

　8.8 电子商务发展水平的模糊贝叶斯网络知识推理模型

　8.9 数据挖掘软件WEKA辅助无约束贝叶斯网络的建立

　参考文献