[套装书]数据仓库（原书第4版）+数据挖掘：概念与技术(原书第3版）（2册）

作者
（美）Willian H.Inmon(美)Jiawei Han (加)Micheline Kamber (加)Jian Pei
丛书名
计算机科学丛书
出版社
机械工业出版社
ISBN
9782002271030
简要
简介
内容简介书籍计算机书籍 ---------------------------数据仓库（原书第4版）--------------------------- 本书系统讲述数据仓库的基本概念、基本原理以及建立数据仓库的方法和过程。主要内容包括：决策支持系统的发展、数据仓库环境结构、数据仓库设计、数据仓库粒度划分、数据仓库技术、分布式数据仓库、EIS系统和数据仓库的关系、外部和非结构化数据与数据仓库的关系、数据装载问题、数据仓库与Web、ERP与数据仓库以及数据仓库设计的复查要目。. 本书是数据仓库之父撰写的关于数据仓库的最权威著作，既可作为相关专业的研究生教材，也是数据仓库的研究、开发和管理人员的必备指南。 数据仓库为企业和组织提供了收集、存储和分析海量业务数据的必要策略。随着业务活动的日益增长，数据仓库领域变得越来越重要。本书被誉为数据仓库的“圣经”，从1990年第1版出版起，不仅带动了数据仓库行业的发展，而且至今仍然是数据仓库方面的优秀入门读物。第4版涵盖了数据仓库最新技术，保持了在这一领域的先锋地位。.. 纵观数据仓库系统的基本组成部分，读者会体验到数据仓库设计方法的更新；各种数据仓库的迁移策略以及应用在装载、索引和数据管理方面的技术。本书为读者提供了数据仓库领域的最新进展。 本书新增的内容： 在数据仓库中处理非结构化数据的方法 在各种不同的存储介质上存储数据的方法 . 关系型数据库设计和多维数据库设计的对比 在规划数据仓库项目时如何度量投资回报 探索更高级的研究主题，包括数据的监控与测试... ---------------------------数据挖掘：概念与技术(原书第3版）--------------------------- 《数据挖掘：概念与技术(原书第3版)》完整全面地讲述数据挖掘的概念、方法、技术和最新研究进展。本书对前两版做了全面修订，加强和重新组织了全书的技术内容，重点论述了数据预处理、频繁模式挖掘、分类和聚类等的内容，还全面讲述了OLAP和离群点检测，并研讨了挖掘网络、复杂数据类型以及重要应用领域。 《数据挖掘：概念与技术(原书第3版)》是数据挖掘和知识发现领域内的所有教师、研究人员、开发人员和用户都必读的参考书，是一本适用于数据分析、数据挖掘和知识发现课程的优秀教材，可以用做高年级本科生或者一年级研究生的数据挖掘导论教材。
目录



---------------------------数据仓库（原书第4版）---------------------------


出版者的话
专家指导委员会
译者序
第2版前言
第3版前言
第4版前言
第1章　决策支持系统的发展 1
1.1　演化 1
1.1.1　直接存取存储设备的出现 2
1.1.2　个人计算机/第四代编程语言技术 3
1.1.3　进入抽取程序 3
1.1.4　蜘蛛网 4
1.2　自然演化式体系结构的问题 4
1.2.1　数据缺乏可信性 5
1.2.2　生产率问题 6
1.2.3　从数据到信息 8
1.2.4　方法的变迁 9
1.2.5　体系结构化环境 11
1.2.6　体系结构化环境中的数据集成 12
1.2.7　用户是谁 13
1.3　开发生命周期 14
1.4　硬件利用模式 15
1.5　为重建工程创造条件 15
1.6　监控数据仓库环境 17
1.7　小结 19
第2章　数据仓库环境 20
2.1　数据仓库的结构 23
2.2　面向主题 23
2.3　第1天到第n天的现象 26
2.4　粒度 28
2.4.1　粒度带来的好处 29
2.4.2　粒度的一个例子 29
2.4.3　双重粒度 31
2.5　探查与数据挖掘 34
2.6　活样本数据库 34
2.7　分区设计方法 35
2.8　数据仓库中的数据组织 38
2.9　审计与数据仓库 41
2.10　数据的同构/异构 41
2.11　数据仓库中的数据清理 42
2.12　报表与体系结构化环境 43
2.13　各种环境中的操作型窗口 43
2.14　数据仓库中的错误数据 45
2.15　小结 45
第3章　设计数据仓库 47
3.1　从操作型数据开始 47
3.2　数据/过程模型与体系结构化环境 51
3.3　数据仓库与数据模型 52
3.3.1　数据仓库的数据模 ?54
3.3.2　中间层数据模型 54
3.3.3　物理数据模型 59
3.4　数据模型与迭代式开发 60
3.5　规范化/反向规范化 61
3.6　元数据 67
3.7　数据周期—时间间隔 69
3.8　转换和集成的复杂性 70
3.9　数据仓库记录的触发 73
3.9.1　事件 73
3.9.2　快照的构成 73
3.9.3　一些例子 74
3.10　概要记录 74
3.11　管理大量数据 75
3.12　创建多个概要记录 76
3.13　从数据仓库环境到操作型环境 76
3.14　数据仓库数据的直接操作型访问 77
3.15　数据仓库数据的间接访问 77
3.15.1　航空公司的佣金计算系统 78
3.15.2　零售个性化系统 79
3.15.3　信用审核 80
3.16　数据仓库数据的间接使用 81
3.17　星形连接 82
3.18　支持操作型数据存储 86
3.19　需求和Zachman框架 87
3.20　小结 88
第4章　数据仓库中的粒度 90
4.1　粗略估算 90
4.2　规划过程的输入 91
4.3　溢出存储器中的数据 92
4.4　确定粒度级别 95
4.5　一些反馈循环技巧 96
4.6　确定粒度级别的几个例子 97
4.6.1　银行环境中的粒度级别 97
4.6.2　制造业环境中的粒度级别 99
4.6.3　保险业环境中的粒度级别 100
4.7　填充数据集市 102
4.8　小结 102
第5章 数据仓库和技术 103
5.1　管理大量数据 103
5.2　管理多种介质 104
5.3　索引和监控数据 104
5.4　多种技术的接口 105
5.5　程序员/设计者对数据存放位置的控制 105
5.6　数据的并行存储和管理 105
5.7　语言接口 107
5.8　数据的有效装载 107
5.9　有效利用索引 108
5.10　数据压缩 108
5.11　复合主键 109
5.12　变长数据 109
5.13　加锁管理 110
5.14　只涉及索引的处理 110
5.15　快速恢复 110
5.16　其他的技术特征 110
5.17　 DBMS类型和数据仓库 111
5.18　改变DBMS技术 112
5.19　多维DBMS和数据仓库 112
5.20　在多种存储介质上构建数据仓库 117
5.21　数据仓库环境中元数据的角色 117
5.22　上下文和内容 119
5.22.1　上下文信息的三种类型 119
5.22.2　捕获和管理上下文信息 120
5.22.3　回顾上下文信息管理历史 121
5.23　刷新数据仓库 121
5.24　测试问题 122
5.25　小结 123
第6章　分布式数据仓库 124
6.1　分布式数据仓库的类型 124
6.1.1　局部数据仓库和全局数据仓库 124
6.1.2　技术分布式数据仓库 135
6.1.3　独立开发的分布式数据仓库 136
6.2　开发项目的本质特征 136
6.3　分布式数据仓库的开发 139
6.3.1　在分布的地理位置间协调开发 140
6.3.2　企业数据的分布式模型 141
6.3.3　分布式数据仓库中的元数据 142
6.4　在多种层次上构建数据仓库 142
6.5　多个小组建立当前细节级 144
6.5.1　不同层的不同需求 146
6.5.2　其他类型的细节数据 148
6.5.3　元数据 148
6.6　公共细节数据采用多种平台 150
6.7　小结 150
第7章　主管信息系统和数据仓库 152
7.1　EIS概述 152
7.2　一个简单例子 152
7.3　向下钻取分析 154
7.4　支持向下钻取处理 156
7.5　作为EIS基础的数据仓库 156
7.6　到哪里取数据 158
7.7　事件映射 159
7.8　细节数据和EIS 160
7.9　在EIS中只保存汇总数据 161
7.10 小结 162
第8章　外部数据与数据仓库 163
8.1　数据仓库中的外部数据 164
8.2　元数据和外部数据 165
8.3　存储外部数据 167
8.4　外部数据的不同部件 167
8.5　建模与外部数据 168
8.6　辅助报告 168
8.7　外部数据存档 169
8.8　内部数据与外部数据的比较 169
8.9　小结 169
第9章　迁移到体系结构化环境 171
9.1　一种迁移方案 171
9.2　反馈循环 176
9.3　策略方面的考虑 177
9.4　方法和迁移 179
9.5　数据驱动的开发方法 180
9.5.1　概念 181
9.5.2　系统开发生命周期 181
9.5.3　智者观点 182
9.6　小结 182
第10章　数据仓库和Web 183
10.1　支持电子商务环境 189
10.2　将数据从Web移动到数据仓库 190
10.3　将数据从数据仓库移动到Web 190
10.4　对Web的支持 190
10.5　小结 191
第11章　非结构化数据和数据仓库 192
11.1　两个领域的集成 193
11.1.1　文本—公共联接 193
11.1.2　基本错误匹配 195
11.1.3　环境间文本匹配 195
11.1.4　概率匹配 195
11.1.5　匹配所有信息 196
11.2　主题匹配 197
11.2.1　产业特征主题 197
11.2.2　自然事件主题 199
11.2.3　通过主题和主题词关联 200
11.2.4　通过抽象和元数据关联 200
11.3　两层数据仓库 201
11.3.1　非结构化数据仓库分类 202
11.3.2　非结构化数据仓库中的文档 203
11.3.3　非结构化数据可视化 203
11.4　自组织图（SOM） 204
11.4.1　非结构化数据仓库 205
11.4.2　数据量和非结构化数据仓库 205
11.5　适用于两个环境 206
11.6　小结 207
第12章　大型数据仓库 208
12.1　快速增长的原因 208
12.2　庞大数据量的影响 209
12.2.1　基本数据管理活动 209
12.2.2　存储费用 210
12.2.3　实际存储费用 210
12.2.4　大型数据量中的数据使用模式 211
12.2.5　一个简单计算 211
12.2.6　两类数据 212
12.2.7　数据分类涉及的问题 212
12.3　数据在不同介质的存储 213
12.3.1　近线存储 213
12.3.2　访问速度和磁盘存储 214
12.3.3　存档存储 215
12.3.4　透明的意义 216
12.4　环境间数据转移 216
12.4.1　CMSM方法 217
12.4.2　数据仓库使用监控器 218
12.4.3　不同存储介质下数据仓库的扩展 218
12.5　数据仓库转换 219
12.6　总费用 219
12.7　最大容量 219
12.8　小结 220
第13章　关系模型和多维模型数据库 设计基础 222
13.1　关系模型 222
13.2　多维模型 223
13.3　雪花结构 224
13.4　两种模型的区别 224
13.4.1　区别的起源 225
13.4.2　重建关系型数据 225
13.4.3　数据的直接访问和间接访问 226
13.4.4　支持将来未知的需求 227
13.4.5　支持适度变化的需求 227
13.5　独立数据集市 229
13.6　建立独立数据集市 230
13.7　小结 232
第14章　数据仓库高级话题 233
14.1　最终用户的需求和数据仓库 233
14.1.1　数据仓库和数据模型 233
14.1.2　关系型的基础 233
14.1.3　数据仓库和统计处理 234
14.2　数据仓库内的资源竞争 234
14.2.1　探查型数据仓库 235
14.2.2　数据挖掘型数据仓库 236
14.2.3　冻结探查型数据仓库 236
14.2.4　外部数据和探查型数据仓库 237
14.3　同一个处理器处理数据集市和 数据仓库 237
14.4　数据的生命周期 238
14.5　测试和数据仓库 239
14.6　追踪数据仓库中的数据流 240
14.6.1　数据仓库中的数据速率 241
14.6.2　“推”和“拉”数据 242
14.7　数据仓库和基于网络的电子商务环境 242
14.7.1　两种环境之间的界面 242
14.7.2　粒度管理器 243
14.7.3　概要记录 244
14.7.4　ODS，概要记录以及性能 244
14.8　财务数据仓库 245
14.9　记录系统 246
14.10　结构体系的概要历史—演化 为公司信息工厂 247
14.10.1　CIF的进化 249
14.10.2　障碍 249
14.11　CIF的未来 250
14.11.1　分析 250
14.11.2　ERP/SAP 250
14.11.3　非结构化数据 251
14.11.4　数据量 251
14.12　小结 252
第15章　数据仓库的成本论证和 投资回报 254
15.1　应对竞争 254
15.2　宏观上的成本论证 254
15.3　微观上的成本论证 255
15.4　来自遗留环境的信息 256
15.4.1　新信息的成本 257
15.4.2　用数据仓库收集信息 257
15.4.3　成本比较 257
15.4.4　建立数据仓库 257
15.4.5　完整的情况图 258
15.4.6　得到数据的障碍 258
15.5　数据的时间价值 259
15.6　集成的信息 260
15.6.1　历史数据的价值 261
15.6.2　历史数据和客户关系模型 261
15.7　小结 261
第16章　数据仓库和ODS 263
16.1　互补的结构 263
16.1.1　ODS中的升级 264
16.1.2　历史数据与ODS 264
16.1.3　概要记录 264
16.2　不同种类的ODS 265
16.3　数据库设计—一种混合的方式 266
16.4　按比例画图 266
16.5　ODS中的事务集成 267
16.6　对ODS处理日进行分片 267
16.7　多个ODS 267
16.8　ODS和网络环境 268
16.9　ODS的一个例子 268
16.10　小结 269
第17章　企业信息依从准则和数据仓库 270
17.1　两个基本行为 270
17.2　财务依从准则 270
17.2.1　“是什么” 272
17.2.2　“为什么” 273
17.3　审计公司的交流信息 274
17.4　小结 276
第18章　最终用户社区 277
18.1　农民 277
18.2　探险者 277
18.3　矿工 277
18.4　旅行者 278
18.5　整个社区 278
18.6　不同的数据类型 278
18.7　成本论证和ROI分析 278
18.8　小结 279
第19章　数据仓库设计的复查要目 280
19.1　何时进行设计复查 280
19.2　谁负责设计复查 281
19.3　有哪些议事日程 281
19.4　结果 281
19.5　复查管理 281
19.6　典型的数据仓库设计复查 282
19.7　小结 295
术语表 296
参考文献 305




---------------------------数据挖掘：概念与技术(原书第3版）---------------------------


《数据挖掘：概念与技术(原书第3版)》
出版者的话
中文版序
译者序
译者简介
第3版序
第2版序
前言
致谢
作者简介
第1章引论1
1.1为什么进行数据挖掘1
1.1.1迈向信息时代1
1.1.2数据挖掘是信息技术的进化2
1.2什么是数据挖掘4
1.3可以挖掘什么类型的数据6
1.3.1数据库数据6
1.3.2数据仓库7
1.3.3事务数据9
1.3.4其他类型的数据9
1.4可以挖掘什么类型的模式10
1.4.1类/概念描述：特征化与区分10
1.4.2挖掘频繁模式、关联和相关性11
1.4.3用于预测分析的分类与回归12
1.4.4聚类分析13
1.4.5离群点分析14
1.4.6所有模式都是有趣的吗14
1.5使用什么技术15
1.5.1统计学15
1.5.2机器学习16
1.5.3数据库系统与数据仓库17
1.5.4信息检索17
1.6面向什么类型的应用18
1.6.1商务智能18
1.6.2Web搜索引擎18
1.7数据挖掘的主要问题19
1.7.1挖掘方法19
1.7.2用户界面20
1.7.3有效性和可伸缩性21
1.7.4数据库类型的多样性21
1.7.5数据挖掘与社会21
1.8小结22
1.9习题23
1.10文献注释23
第2章认识数据26
2.1数据对象与属性类型26
2.1.1什么是属性27
2.1.2标称属性27
2.1.3二元属性27
2.1.4序数属性28
2.1.5数值属性28
2.1.6离散属性与连续属性29
2.2数据的基本统计描述29
2.2.1中心趋势度量：均值、中位数和众数30
2.2.2度量数据散布：极差、四分位数、方差、标准差和四分位数极差32
2.2.3数据的基本统计描述的图形显示34
2.3数据可视化37
2.3.1基于像素的可视化技术37
2.3.2几何投影可视化技术38
2.3.3基于图符的可视化技术40
2.3.4层次可视化技术42
2.3.5可视化复杂对象和关系42
2.4度量数据的相似性和相异性44
2.4.1数据矩阵与相异性矩阵45
2.4.2标称属性的邻近性度量46
2.4.3二元属性的邻近性度量46
2.4.4数值属性的相异性：闵可夫斯基距离48
2.4.5序数属性的邻近性度量49
2.4.6混合类型属性的相异性50
2.4.7余弦相似性51
2.5小结52
2.6习题53
2.7文献注释54
第3章数据预处理55
3.1数据预处理：概述55
3.1.1数据质量：为什么要对数据预处理55
3.1.2数据预处理的主要任务56
3.2数据清理58
3.2.1缺失值58
3.2.2噪声数据59
3.2.3数据清理作为一个过程60
3.3数据集成61
3.3.1实体识别问题62
3.3.2冗余和相关分析62
3.3.3元组重复65
3.3.4数据值冲突的检测与处理65
3.4数据归约65
3.4.1数据归约策略概述66
3.4.2小波变换66
3.4.3主成分分析67
3.4.4属性子集选择68
3.4.5回归和对数线性模型：参数化数据归约69
3.4.6直方图70
3.4.7聚类71
3.4.8抽样71
3.4.9数据立方体聚集72
3.5数据变换与数据离散化73
3.5.1数据变换策略概述73
3.5.2通过规范化变换数据74
3.5.3通过分箱离散化76
3.5.4通过直方图分析离散化76
3.5.5通过聚类、决策树和相关分析离散化76
3.5.6标称数据的概念分层产生77
3.6小结79
3.7习题79
3.8文献注释80
第4章数据仓库与联机分析处理82
4.1数据仓库：基本概念82
4.1.1什么是数据仓库82
4.1.2操作数据库系统与数据仓库的区别84
4.1.3为什么需要分离的数据仓库85
4.1.4数据仓库：一种多层体系结构85
4.1.5数据仓库模型：企业仓库、数据集市和虚拟仓库87
4.1.6数据提取、变换和装入88
4.1.7元数据库88
4.2数据仓库建模：数据立方体与OLAP89
4.2.1数据立方体：一种多维数据模型89
4.2.2星形、雪花形和事实星座：多维数据模型的模式91
4.2.3维：概念分层的作用94
4.2.4度量的分类和计算95
4.2.5典型的OLAP操作96
4.2.6查询多维数据库的星网查询模型98
4.3数据仓库的设计与使用99
4.3.1数据仓库的设计的商务分析框架99
4.3.2数据仓库的设计过程100
4.3.3数据仓库用于信息处理101
4.3.4从联机分析处理到多维数据挖掘102
4.4数据仓库的实现103
4.4.1数据立方体的有效计算：概述103
4.4.2索引OLAP数据：位图索引和连接索引105
4.4.3OLAP查询的有效处理107
4.4.4OLAP服务器结构：ROLAP、MOLAP、HOLAP的比较107
4.5数据泛化：面向属性的归纳109
4.5.1数据特征的面向属性的归纳109
4.5.2面向属性归纳的有效实现113
4.5.3类比较的面向属性归纳114
4.6小结116
4.7习题117
4.8文献注释119
第5章数据立方体技术121
5.1数据立方体计算：基本概念121
5.1.1立方体物化：完全立方体、冰山立方体、闭立方体和立方体外壳122
5.1.2数据立方体计算的一般策略124
5.2数据立方体计算方法126
5.2.1完全立方体计算的多路数组聚集126
5.2.2BUC：从顶点方体向下计算冰山立方体129
5.2.3Star-Cubing：使用动态星树结构计算冰山立方体132
5.2.4为快速高维OLAP预计算壳片段136
5.3使用探索立方体技术处理高级查询141
5.3.1抽样立方体：样本数据上基于OLAP的挖掘141
5.3.2排序立方体：top-k查询的有效计算145
5.4数据立方体空间的多维数据分析147
5.4.1预测立方体：立方体空间的预测挖掘147
5.4.2多特征立方体：多粒度上的复杂聚集149
5.4.3基于异常的、发现驱动的立方体空间探查149
5.5小结152
5.6习题152
5.7文献注释155
第6章挖掘频繁模式、关联和相关性:基本概念和方法157
6.1基本概念157
6.1.1购物篮分析：一个诱发例子157
6.1.2频繁项集、闭项集和关联规则158
6.2频繁项集挖掘方法160
6.2.1Apriori算法：通过限制候选产生发现频繁项集160
6.2.2由频繁项集产生关联规则164
6.2.3提高Apriori算法的效率165
6.2.4挖掘频繁项集的模式增长方法166
6.2.5使用垂直数据格式挖掘频繁项集169
6.2.6挖掘闭模式和极大模式170
6.3哪些模式是有趣的：模式评估方法171
6.3.1强规则不一定是有趣的172
6.3.2从关联分析到相关分析172
6.3.3模式评估度量比较173
6.4小结176
6.5习题177
6.6文献注释179
第7章高级模式挖掘180
7.1模式挖掘：一个路线图180
7.2多层、多维空间中的模式挖掘182
7.2.1挖掘多层关联规则182
7.2.2挖掘多维关联规则185
7.2.3挖掘量化关联规则186
7.2.4挖掘稀有模式和负模式188
7.3基于约束的频繁模式挖掘190
7.3.1关联规则的元规则制导挖掘190
7.3.2基于约束的模式产生：模式空间剪枝和数据空间剪枝191
7.4挖掘高维数据和巨型模式195
7.5挖掘压缩或近似模式198
7.5.1通过模式聚类挖掘压缩模式199
7.5.2提取感知冗余的top-k模式200
7.6模式探索与应用202
7.6.1频繁模式的语义注解202
7.6.2模式挖掘的应用205
7.7小结206
7.8习题207
7.9文献注释208
第8章分类：基本概念211
8.1基本概念211
8.1.1什么是分类211
8.1.2分类的一般方法211
8.2决策树归纳213
8.2.1决策树归纳214
8.2.2属性选择度量217
8.2.3树剪枝222
8.2.4可伸缩性与决策树归纳224
8.2.5决策树归纳的可视化挖掘225
8.3贝叶斯分类方法226
8.3.1贝叶斯定理227
8.3.2朴素贝叶斯分类227
8.4基于规则的分类230
8.4.1使用IF-THEN规则分类230
8.4.2由决策树提取规则231
8.4.3使用顺序覆盖算法的规则归纳232
8.5模型评估与选择236
8.5.1评估分类器性能的度量236
8.5.2保持方法和随机二次抽样240
8.5.3交叉验证240
8.5.4自助法241
8.5.5使用统计显著性检验选择模型241
8.5.6基于成本效益和ROC曲线比较分类器243
8.6提高分类准确率的技术245
8.6.1组合分类方法简介245
8.6.2装袋246
8.6.3提升和AdaBoost247
8.6.4随机森林249
8.6.5提高类不平衡数据的分类准确率250
8.7小结251
8.8习题251
8.9文献注释253
第9章分类：高级方法255
9.1贝叶斯信念网络255
9.1.1概念和机制255
9.1.2训练贝叶斯信念网络257
9.2用后向传播分类258
9.2.1多层前馈神经网络258
9.2.2定义网络拓扑259
9.2.3后向传播260
9.2.4黑盒内部：后向传播和可解释性263
9.3支持向量机265
9.3.1数据线性可分的情况265
9.3.2数据非线性可分的情况268
9.4使用频繁模式分类270
9.4.1关联分类270
9.4.2基于有区别力的频繁模式分类272
9.5惰性学习法(或从近邻学习）275
9.5.1k-最近邻分类275
9.5.2基于案例的推理277
9.6其他分类方法277
9.6.1遗传算法277
9.6.2粗糙集方法278
9.6.3模糊集方法278
9.7关于分类的其他问题280
9.7.1多类分类280
9.7.2半监督分类281
9.7.3主动学习282
9.7.4迁移学习283
9.8小结284
9.9习题285
9.10文献注释286
第10章聚类分析：基本概念和方法288
10.1聚类分析288
10.1.1什么是聚类分析288
10.1.2对聚类分析的要求289
10.1.3基本聚类方法概述291
10.2划分方法293
10.2.1k-均值：一种基于形心的技术293
10.2.2k-中心点：一种基于代表对象的技术295
10.3层次方法297
10.3.1凝聚的与分裂的层次聚类298
10.3.2算法方法的距离度量300
10.3.3BIRCH：使用聚类特征树的多阶段聚类301
10.3.4Chameleon:使用动态建模的多阶段层次聚类303
10.3.5概率层次聚类304
10.4基于密度的方法306
10.4.1DBSCAN:一种基于高密度连通区域的基于密度的聚类307
10.4.2OPTICS：通过点排序识别聚类结构309
10.4.3DENCLUE：基于密度分布函数的聚类311
10.5基于网格的方法312
10.5.1STING:统计信息网格312
10.5.2CLIQUE：一种类似于Apriori的子空间聚类方法314
10.6聚类评估315
10.6.1估计聚类趋势316
10.6.2确定簇数317
10.6.3测定聚类质量317
10.7小结319
10.8习题320
10.9文献注释321
第11章高级聚类分析323
11.1基于概率模型的聚类323
11.1.1模糊簇324
11.1.2基于概率模型的聚类326
11.1.3期望最大化算法328
11.2聚类高维数据330
11.2.1聚类高维数据：问题、挑战和主要方法330
11.2.2子空间聚类方法331
11.2.3双聚类332
11.2.4维归约方法和谱聚类337
11.3聚类图和网络数据339
11.3.1应用与挑战339
11.3.2相似性度量340
11.3.3图聚类方法343
11.4具有约束的聚类345
11.4.1约束的分类345
11.4.2具有约束的聚类方法347
11.5小结349
11.6习题349
11.7文献注释350
第12章离群点检测351
12.1离群点和离群点分析351
12.1.1什么是离群点351
12.1.2离群点的类型352
12.1.3离群点检测的挑战354
12.2离群点检测方法354
12.2.1监督、半监督和无监督方法355
12.2.2统计方法、基于邻近性的方法和基于聚类的方法356
12.3统计学方法357
12.3.1参数方法357
12.3.2非参数方法360
12.4基于邻近性的方法361
12.4.1基于距离的离群点检测和嵌套循环方法361
12.4.2基于网格的方法363
12.4.3基于密度的离群点检测364
12.5基于聚类的方法366
12.6基于分类的方法368
12.7挖掘情境离群点和集体离群点369
12.7.1把情境离群点检测转换成传统的离群点检测369
12.7.2关于情境对正常行为建模370
12.7.3挖掘集体离群点371
12.8高维数据中的离群点检测371
12.8.1扩充的传统离群点检测372
12.8.2发现子空间中的离群点373
12.8.3高维离群点建模373
12.9小结374
12.10习题375
12.11文献注释375
第13章数据挖掘的发展趋势和研究前沿377
13.1挖掘复杂的数据类型377
13.1.1挖掘序列数据：时间序列、符号序列和生物学序列377
13.1.2挖掘图和网络381
13.1.3挖掘其他类型的数据383
13.2数据挖掘的其他方法385
13.2.1统计学数据挖掘385
13.2.2关于数据挖掘基础的观点386
13.2.3可视和听觉数据挖掘387
13.3数据挖掘应用391
13.3.1金融数据分析的数据挖掘391
13.3.2零售和电信业的数据挖掘392
13.3.3科学与工程数据挖掘393
13.3.4入侵检测和预防数据挖掘395
13.3.5数据挖掘与推荐系统396
13.4数据挖掘与社会397
13.4.1普适的和无形的数据挖掘397
13.4.2数据挖掘的隐私、安全和社会影响399
13.5数据挖掘的发展趋势400
13.6小结402
13.7习题402
13.8文献注释403
参考文献406
索引435



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4