夏春艷編寫的《數據挖掘技術與應用》共8章，
繫統地講述了數據挖掘技術的基本概念和基本原理，
並列舉
了在相應領域具有參考價值的算法及其改進和應用，
主要內容包括數據、關聯
規則、分類和預測、聚類分析、粗糙集理論、屬性約
簡算法以及數據挖掘的
應用。
本書可作為高校計算機專業本科生、研究生教材
，也可供從事計算機信息
處理、數據挖掘等相關方面的科技人員參考。

1 緒論
1.1 數據挖掘的起源
1.2 數據挖掘的現狀
1.3 數據挖掘的概念
1.3.1 數據挖掘的技術含義
1.3.2 數據挖掘的理論基礎
1.3.3 數據的分類
1.3.4 訓練集和測試集
1.3.5 學習
1.4 數據挖掘的功能
1.5 數據挖掘的過程
1.6 數據挖掘的分類
1.6.1 根據數據庫類型分類
1.6.2 根據知識類型分類
1.6.3 根據技術分類
1.6.4 根據應用分類
1.7 數據挖掘的方法
1.7.1 決策樹方法
1.7.2 神經網絡方法
1.7.3 模糊集方法
1.7.4 遺傳算法
1.7.5 統計分析方法
1.7.6 粗糙集方法
1.8 數據挖掘的應用分析
1.8.1 數據挖掘在體育競技中的應用
1.8.2 數據挖掘在商業銀行中的應用
1.8.3 數據挖掘在電信中的應用
1.8.4 數據挖掘在科學探索中的應用
1.8.5 數據挖掘在信息安全中的應用
1.9 數據挖掘的發展趨勢與面對的問題
參考文獻
2 數據
2.1 數據類型
2.1.1 屬性與度量
2.1.2 數據集的類型
2.2 數據預處理
2.2.1 數據清理
2.2.2 數據集成
2.2.3 數據變換
2.2.4 數據歸約
2.3 鄰近性度量
2.3.1 一些概念
2.3.2 簡單屬性之間的鄰近度
2.3.3 數據對像之間的相異度
2.3.4 數據對像之間的相似度
2.3.5 鄰近性度量舉例
參考文獻
3 關聯規則
3.1 關聯規則概念
3.2 Apriori關聯規則算法
3.2.1 發現頻繁項目集
3.2.2 生成關聯規則
3.3 提高Apriori算法的效率
3.3.1 基於劃分的方法
3.3.2 基於散列的方法
3.3.3 基於采樣的方法
3.3.4 基於事務壓縮的方法
3.3.5 基於動態項目集計數的方法
3.4 關聯規則挖掘的深人問題
3.4.1 多層次關聯規則挖掘
3.4.2 多維關聯規則挖掘
3.4.3 數量關聯規則挖掘
參考文獻
4 分類和預測
4.1 分類概念
4.2 分類規則
4.2.1 分類規則原理
4.2.2 分類規則算法步驟
4.2.3 分類規則模式
4.3 基於距離的分類器
4.4 決策樹分類器
4.4.1 決策樹基本算法
4.4.2 決策樹分類舉例
4.4.3 ID3算法
4.5 貝葉斯分類器
4.5.1 貝葉斯定理
4.5.2 貝葉斯定理在分類中的應用
4.5.3 樸素貝葉斯分類器
4.6 基於規則的分類器
4.6.1 規則的描述
4.6.2 規則的有效性
4.6.3 規則產生算法
4.6.4 分類決策
4.6.5 分類方法
參考文獻
5 聚類分析
5.1 聚類分析概述
5.1.1 聚類分析在數據挖掘中的應用
5.1.2 聚類分析方法的概念
5.1.3 聚類分析方法的分類
5.1.4 距離與相似性度量
5.2 聚類方法
5.2.1 劃分聚類方法
5.2.2 層次聚類方法
5.2.3 密度聚類方法
參考文獻
6 粗糙集理論
6.1 **外研究現狀
6.2 粗糙集思想
6.3 信息繫統
6.4 知識與不可分辨關繫
6.5 不**範疇、近似和粗糙度
6.6 區分矩陣
6.7 知識的約簡和核
6.7.1 約簡和核
6.7.2 相對約簡和相對核
6.8 屬性的重要性
6.8.1 基於知識依賴性的屬性重要度
6.8.2 基於信息熵的屬性重要度
6.9 決策規則的產生
6.10 粗糙集方法在數據挖掘中的應用範圍
參考文獻
7 屬性約簡算法
7.1 屬性約簡的典型算法
7.1.1 基本算法
7.1.2 啟發式算法
7.1.3 遺傳算法
7.1.4 復合繫統的約簡
7.1.5 擴展法則
7.1.6 動態約簡
7.2 啟發式屬性約簡算法分析
7.2.1 基於屬性依賴度的約簡算法
7.2.2 基於信息熵的約簡算法
7.2.3 基於屬性重要性和頻度的約簡算法
7.2.4 屬性重要度的完備性分析
7.2.5 屬性約簡算法的綜合分析
7.3 啟發式屬性約簡算法研究
7.3.1 啟發式屬性約簡算法(一)
7.3.2 啟發式屬性約簡算法(二)
7.3.3 啟發式屬性約簡算法(三)
7.3.4 啟發式屬性約簡算法(四)
7.3.5 啟發式屬性約簡算法(五)
參考文獻
8 數據挖掘的應用
8.1 數據挖掘的應用舉例
8.1.1 屬性約簡
8.1.2 分類規則
8.2 數據挖掘在農業中的應用
8.2.1 農作物災害預測實例
8.2.2 農作物病害預測實例(一)
8.2.3 農作物病害預測實例(二)
8.2.4 農作物種植實例
8.2.5 水稻產量預測實例
8.3 數據挖掘在教學評價與教學中的應用
8.3.1 數據挖掘在教學評價中的應用
8.3.2 數據挖掘在教學中的應用
參考文獻