【课程目录】

第1章　引论

1.1　为什么进行数据挖掘

1.2　什么是数据挖掘

1.3　可以挖掘什么类型的数据

1.4　可以挖掘什么类型的模式

1.5　使用什么技术

1.6　面向什么类型的应用

1.7　数据挖掘的主要问题

第2章　认识数据

2.1　数据对象与属性类型

2.2　数据的基本统计描述

2.3　数据可视化

2.4　度量数据的相似性和相异性

第3章　数据预处理

3.1　数据预处理：概述

3.2　数据清理

3.3　数据集成

3.4　数据归约

3.5　数据变换与数据离散化

第4章　数据仓库与联机分析处理

4.1　数据仓库：基本概念

4.2　数据仓库建模：数据立方体与OLAP

4.3　数据仓库的设计与使用

4.4　数据仓库的实现

4.5　数据泛化：面向属性的归纳

第5章　数据立方体技术

5.1　数据立方体计算：基本概念

5.2　数据立方体计算方法

5.3　使用探索立方体技术处理高级查询

5.4　数据立方体空间的多维数据分析

第6章　挖掘频繁模式、关联和相关性：基本概念和方法

6.1　基本概念

6.2　频繁项集挖掘方法

6.3　哪些模式是有趣的：模式评估方法

第7章　高级模式挖掘

7.1　模式挖掘：一个路线图

7.2　多层、多维空间中的模式挖掘

7.3　基于约束的频繁模式挖掘

7.4　挖掘高维数据和巨型模式

7.5　挖掘压缩或近似模式

7.6　模式探索与应用

第8章　分类：基本概念

8.1　基本概念

8.2　决策树归纳

8.3　贝叶斯分类方法

8.4　基于规则的分类

8.5　模型评估与选择

8.6　提高分类准确率的技术

第9章　分类：高级方法

9.1　贝叶斯信念网络

9.2　用后向传播分类

9.3　支持向量机

9.4　使用频繁模式分类

9.5　惰性学习法(或从近邻学习）

9.6　其他分类方法

9.7　关于分类的其他问题

第10章　聚类分析：基本概念和方法

10.1　聚类分析

10.2　划分方法

10.3　层次方法

10.4　基于密度的方法

10.5　基于网格的方法

10.6　聚类评估

第11章　高级聚类分析

11.1　基于概率模型的聚类

11.2　聚类高维数据

11.3　聚类图和网络数据

11.4　具有约束的聚类

第12章　离群点检测

12.1　离群点和离群点分析

12.2　离群点检测方法

12.3　统计学方法

12.4　基于邻近性的方法

12.5　基于聚类的方法

12.6　基于分类的方法

12.7　挖掘情境离群点和集体离群点

12.8　高维数据中的离群点检测

第13章　数据挖掘的发展趋势和研究前沿

13.1　挖掘复杂的数据类型

13.2　数据挖掘的其他方法

13.3　数据挖掘应用

13.4　数据挖掘与社会

13.5　数据挖掘的发展趋势

【课程目录】

本帖隐藏的内容百度云