上篇 认识篇

第1章 绪论

1.1引例

1.2数据挖掘产生的背景及概念

1.2.1数据挖掘产生的背景

1.2.2数据挖掘概念

1.3数据挖掘任务及过程

1.3.1数据挖掘任务

1.3.2数据挖掘过程

1.4数据挖掘常用软件简介

1.5数据挖掘在商业领域中的应用

1.5.1市场营销

1.5.2交叉销售与交叉营销

1.5.3客户关系管理

1.5.4个性化推荐与个性化服务

1.5.5风险分析与控制

1.5.6欺诈行为检测和异常模式的发现

1.5.7供应链库存管理中的需求预测

1.5.8人力资源管理

1.6数据挖掘技术的前景

1.7本章小结

第2章 数据挖掘建模方法

2.1概述

2.2业务理解

2.3数据理解

2.4数据准备

2.5建模

2.5.1成功建立预测模型的注意要点

2.5.2如何建立有效的预测模型

2.6评估

2.7部署

2.8本章小结

中篇 技术篇

第3章 聚类分析

3.1概述

3.2相似性度量

3.2.1数据及数据类型

3.2.2属性之间的相似性度量

3.2.3对象之间的相似性度量

3.3 k-means算法及其改进

3.3.1 k-means算法

3.3.2 k-means聚类算法的改进

3.4一趟聚类算法

3.4.1算法描述

3.4.2聚类阈值的选择策略

3.5层次聚类算法

3.5.1概述

3.5.2 BIRCH算法

3.5.3两步聚类算法

3.6 SOM算法

3.6.1 SOM算法中网络的拓扑结构

3.6.2 SOM算法的聚类原理

3.7聚类算法评价

3.7.1监督度量

3.7.2非监督度量

3.8综合例子

3.9本章小结

第4章 分类

4.1概述

4.2决策树分类方法

4.2.1决策树的基本概念

4.2.2决策树的构建

4.2.3 Hunt算法

4.2.4 C4.5分类算法

4.2.5 CART算法

4.2.6 C4.5与CART算法的区别

4.2.7决策树分类算法的优点

4.3朴素贝叶斯分类方法

4.3.1朴素贝叶斯算法的相关概念

4.3.2零条件概率问题的处理

4.3.3朴素贝叶斯算法的优缺点

4.4最近邻KNN分类方法

4.4.1最近邻分类的基本概念

4.4.2 KNN算法优缺点

4.4.3 KNN的扩展

4.5集成分类器

4.5.1集成分类器的过程描述

4.5.2构建集成分类器的方法

4.5.3集成分类器方法优缺点

4.6分类方法评价

4.7综合例子

4.8本章小结

第5章 关联规则分析

5.1概述

5.2关联规则分析基础

5.2.1基本概念

5.2.2基础分析方法

5.3 Apriori算法

5.3.1 Apriori性质

5.3.2 Apriori算法原理

5.3.3 Apriori算法演示示例

5.3.4 Apriori算法评价

5.4 CARMA算法

5.4.1 Phase Ⅰ阶段

5.4.2 Phase Ⅱ阶段

5.5产生关联规则

5.5.1一般关联规则的产生

5.5.2 Apriori算法关联规则的产生

5.5.3规则的评估标准

5.6关联规则扩展

5.6.1多层次关联规则

5.6.2多维度关联规则

5.6.3定量关联规则

5.6.4基于约束的关联规则

5.6.5序列模式挖掘

5.7综合例子

5.7.1概述

5.7.2案例分析流程

5.8本章小结

第6章 离群点检测

6.1概述

6.2基于相对密度的离群点检测方法

6.3基于聚类的离群点检测方法

6.3.1基于对象的离群因子方法

6.3.2基于簇的离群因子检测方法

6.3.3基于聚类的动态数据离群点检测

6.4离群点检测方法的评估

6.5本章小结

第7章 回归分析

7.1概述

7.2线性回归模型

7.2.1多元线性回归模型的表示

7.2.2多元线性回归模型的检验

7.3非线性回归

7.4逻辑回归

7.4.1二元Logistic回归模型

7.4.2 Logistic回归模型的系数估计

7.4.3 Logistic回归模型系数的解释

7.4.4显著性检验

7.4.5回归方程的拟合优度检验

7.5本章小结

第8章 为挖掘准备数据

8.1数据统计特性

8.1.1频率和众数

8.1.2百分位数

8.1.3中心度量

8.1.4散布程度度量

8.2数据预处理

8.2.1数据清理

8.2.2数据集成

8.2.3数据变换

8.2.4数据归约

8.3本章小结

下篇 案例篇

第9章 Clementine使用简介

9.1 Clementine概述

9.2 Clementine数据流操作

9.2.1生成数据流的基本过程

9.2.2节点操作

9.2.3数据流的其他管理

9.3输入、输出节点介绍

9.3.1数据源节点

9.3.2类型节点

9.3.3表节点

9.3.4数据导出节点

9.4数据预处理节点介绍

9.4.1过滤节点

9.4.2选择节点

9.4.3抽样节点

9.4.4平衡节点

9.4.5排序节点

9.4.6分区节点

9.4.7导出节点

9.4.8分箱节点

9.4.9特征选择节点

9.4.10数据审核节点

9.4.11直方图节点

9.4.12分布图节点

9.4.13 Web节点

9.5聚类节点介绍

9.5.1 K-Means节点

9.5.2 Kohonen节点

9.5.3 TwoStep节点

9.5.4 Anomaly节点

9.6分类节点介绍

9.6.1 C5.0节点

9.6.2 C＆R Tree节点

9.6.3 BayesNet节点

9.6.4二元分类器节点

9.6.5 Ensemble节点

9.6.6分析节点

9.6.7评估节点

9.7关联分析节点介绍

9.7.1 Apriori节点

9.7.2 CARMA节点

9.7.3 Sequence节点

9.8回归分析节点介绍

9.8.1线性回归节点

9.8.2逻辑回归节点

9.9 RFM分析节点介绍

9.9.1 RFM汇总节点

9.9.2 RFM分析节点

9.10本章小结

第10章 数据挖掘在电信业中的应用

10.1数据挖掘在电信业的应用概述

10.1.1客户细分

10.1.2客户流失预测分析

10.1.3客户社会关系挖掘

10.1.4业务交叉销售

10.1.5欺诈客户识别

10.2案例10-1：客户通话模式分析

10.2.1商业理解

10.2.2数据理解阶段

10.2.3数据准备阶段

10.2.4建模阶段

10.3案例10-2：客户细分与流失分析

10.3.1商业理解

10.3.2数据理解阶段

10.3.3数据准备阶段

10.3.4建模阶段

10.3.5评估阶段

10.4案例10-3：移动业务关联分析

10.4.1商业理解

10.4.2数据理解阶段

10.4.3数据准备阶段

10.4.4建模阶段

10.4.5模型评估

10.4.6部署阶段

10.5本章小结

第11章 数据挖掘在银行业中的应用

11.1数据挖掘在银行业中的应用概述

11.2案例11-1：信用风险分析

11.2.1商业理解

11.2.2数据理解

11.2.3数据准备阶段

11.2.4数据建模

11.2.5模型评估

11.2.6模型部署

11.3本章小结

第12章 数据挖掘在目录营销中的应用

12.1应用概述

12.1.1 RFM分析的基本原理

12.1.2 RFM模型的应用场景

12.2案例12-1：Charles读书俱乐部目录销售

12.2.1商业理解

12.2.2数据理解阶段

12.2.3数据准备阶段

12.2.4建模阶段

12.2.5评估阶段

12.2.6部署阶段

12.3案例12-2：旅游公司的目录销售

12.3.1商业理解

12.3.2数据理解阶段

12.3.3数据准备阶段

12.3.4建模阶段

12.3.5部署阶段

12.4本章小结

第13章 数据挖掘在零售业中的应用

13.1数据挖掘在零售业中的应用概述

13.2案例13-1：关联分析在超市购物篮分析中的应用

13.2.1商业理解

13.2.2数据理解

13.2.3数据准备

13.2.4建立模型

13.2.5模型评估和应用

13.2.6节假日和工作日的比较分析

13.3案例13-2：超市工作时间与人员配置分析

13.3.1商业理解

13.3.2数据理解与准备

13.3.3建立模型

13.3.4模型评估与部署

13.3.5不同时段的商品销售规律

13.3.6时段与商品的销售规律

13.4本章小结

第14章 数据挖掘在上市公司财务风险预警分析中的应用

14.1数据挖掘在上市公司财务风险预警分析中的应用概述

14.2案例14-1：上市公司财务报表舞弊识别

14.2.1商业理解

14.2.2数据理解与数据准备

14.2.3模型建立与评估

14.3案例14-2：上市公司财务困境预警

14.3.1商业理解阶段

14.3.2数据理解阶段

14.3.3数据准备阶段

14.3.4建模阶段

14.3.5部署实施

14.4本章小结

第15章 数据挖掘在电子商务中的应用

15.1数据挖掘在电子商务中的应用概述

15.2主要应用领域

15.2.1网络客户关系管理

15.2.2网站设计优化

15.2.3推荐系统

15.3案例15-1：基于关联分析的淘宝网推荐

15.3.1商业理解阶段

15.3.2数据理解阶段

15.3.3数据准备阶段

15.3.4数据建模

15.3.5模型评估

15.3.6部署阶段

15.4案例15-2：协同过滤技术在电影推荐上的简单应用

15.4.1协同过滤推荐简述

15.4.2商业理解阶段

15.4.3数据的理解、收集及准备

15.4.4建模阶段

15.4.5模型评估和部署

15.5本章小结

附录A 数据挖掘常用资源列表

参考文献