《高等學校計算機規劃教材：數據挖掘原理與實踐》分為數據挖掘理論和數據挖掘實踐兩大部分。基礎理論部分的主要內容包括數據挖掘的基本概念、數據挖掘的預處理、聚類分析、分類與回歸、關聯規則挖掘、例外點檢測。數據挖掘實踐部分討論了數據挖掘在通信行業、文本挖掘等方面的實際應用；通過四個案例展示了在通信行業中如何利用數據挖掘進行客戶細分、客戶流失分析、客戶社會關繫挖掘、業務交叉銷售；通過跨語言智能學術搜索繫統和基於內容的垃圾郵件識別兩個案例展示了數據挖掘在文本挖掘方面的應用。
《高等學校計算機規劃教材：數據挖掘原理與實踐》可作為高等院校計算機電子商務及相關專業的學生相關的教材或參考書，也可供從事數據挖掘研究、設計等工作的科研、技術人員參考。

上篇 理論篇
第1章 緒論
1.1 數據挖掘產生的背景
1.2 數據挖掘任務及過程
1.2.1 數據挖掘定義
1.2.2 數據挖掘對像
1.2.3 數據挖掘任務
1.2.4 數據挖掘過程
1.2.5 數據挖掘常用軟件簡介
1.3 數據挖掘應用
1.3.1 數據挖掘在商業領域中的應用
1.3.2 數據挖掘在計算機領域中的應用
1.3.3 其他領域中的應用
1.4 數據挖掘技術的前景、研究熱點
1.4.1 數據挖掘技術的價值和前景
1.4.2 數據挖掘的研究熱點
1.4.3 數據挖掘的未來發展
本章小結
習題1

第2章 數據處理基礎
2.1 數據
2.1.1 數據及數據類型
2.1.2 數據集的類型
2.2 數據統計特性
2.2.1 數據的中心度量
2.2.2 數據散布程度度量
2.3 數據預處理
2.3.1 數據清理
2.3.2 數據聚合
2.3.3 數據變換
2.3.4 數據歸約
2.4 相似性度量
2.4.1 屬性之間的相似性度量
2.4.2 對像之間的相似性度量
2.5 本章小結
習題2

第3章 分類與回歸
3.1 概述
3.2 決策樹分類方法
3.2.1 決策樹的基本概念
3.2.2 決策樹的構建
3.2.3 ID3分類算法
3.2.4 C4.5分類算法
3.2.5 CART算法
3.3 貝葉斯分類方法
3.3.1 貝葉斯定理
3.3.2 樸素貝葉斯分類算法
3.4 K-最近鄰分類方法
3.4.1 K-最近鄰分類算法基本概念
3.4.2 K-最近鄰分類算法描述
3.4.3 k-最近鄰分類算法的優缺點
3.5 神經網絡分類方法
3.5.1 人工神經網絡的基本概念
3.5.2 典型神經網絡模型介紹
3.5.3 神經網絡的優缺點
3.6 支持向量機
3.7 集成學習法
3.8 不平衡類問題
3.9 分類模型的評價
3.9.1 分類模型性能評價指標
3.9.2 分類模型的過分擬合
3.9.3 評估分類模型性能的方法
3.10 回歸
3.10.1 線性回歸
3.10.2 非線性回歸
3.10.3 邏輯回歸
3.11 本章小結
習題3

第4章 聚類分析
4.1 概述
4.1.1 聚類分析研究的主要內容
4.1.2 數據挖掘對聚類算法的要求
4.1.3 典型聚類方法簡介
4.2 基於劃分的聚類算法
4.2.1 基本k-means聚類算法
4.2.2 二分k-means算法
4.2.3 k-means聚類算法的拓展
4.2.4 k-medoids算法
4.3 層次聚類算法
4.3.1 BIRCH算法
4.3.2 CURE算法
4.3.3 ROCK算法
4.4 基於密度的聚類算法
4.5 基於圖的聚類算法
4.5.1 Chameleon聚類算法
4.5.2 基於SNN的聚類算法
4.6 一趟聚類算法
4.6.1 算法描述
4.6.2 聚類閾值的選擇策略
4.7 基於模型的聚類算法
4.7.1 期望最大化方法EM
4.7.2 概念聚類
4.7.3 SOM方法
4.8 聚類算法評價
本章小結
習題4

第5章 關聯分析
5.1 概述
5.2 頻繁項集發現算法
5.2.1 Apriori 算法
5.2.2 Fp-growth算法
5.3 關聯規則的生成
5.4屬性的關聯規則挖掘
5.5 關聯規則的評價
5.5.1 支持度和置信度
5.5.2 相關性分析
5.5.3 辛普森悖論
5.6 序列模式
5.6.1 問題描述
5.6.2 序列模式發現算法
5.7 本章小結
習題

第6章 離群點挖掘
6.1 概述
6.2 基於統計的方法
6.3 基於距離的方法
6.4 基於相對密度的方法
6.5 基於聚類的方法
6.5.1 基於對像離群因子的方法
6.5.2 基於簇的離群因子方法
6.5.3 基於聚類的動態數據離群點檢測
6.6 離群點挖掘方法的評估
6.7 本章小結
習題
下篇 實踐篇

第7章 數據挖掘在電信業中的應用
7.1 數據挖掘在電信業的應用概述
7.1.1 客戶細分
7.1.2 客戶流失預測分析
7.1.3 客戶社會關繫挖掘
7.1.4 業務交叉銷售
7.1.5 欺詐客戶識別
7.2 案例一: 客戶通話模式分析
7.2.1 概述
7.2.2 數據描述
7.2.3 數據預處理
7.2.4 發現之旅
7.3 案例二：基於通話數據的社會網絡分析
7.3.1 概述
7.3.2 客戶呼叫圖的構建
7.3.3 客戶呼叫圖的一般屬性及其應用
7.3.4 客戶呼叫圖的社區發現及應用
7.4 案例三：客戶細分與流失分析
7.4.1 概述
7.4.2 數據準備
7.4.3 數據預處理
7.4.4 客戶聚類分析
7.4.5 建立分類預測模型
7.4.6 模型評估與調整優化
7.5 案例四：移動業務關聯分析
7.5.1 概述
7.5.2 數據準備
7.5.3 數據預處理
7.5.4 關聯規則挖掘過程
7.5.5 規則的優化
7.5.5 模型的應用
7.6 本章小結

第8章 文本挖掘與Web數據挖掘
8.1 文本挖掘
8.1.1 分詞
8.1.2 文本表示與詞權重計算
8.1.3 文本特征選擇
8.1.4 文本分類
8.1.5 文本聚類
8.1.6 文檔自動摘要
8.2 Web數據挖掘
8.2.1 Web內容挖掘
8.2.2 Web使用挖掘
8.2.3 Web結構挖掘
8.3 案例五——跨語言智能學術搜索繫統
8.3.1 混合語種文本分詞
8.3.2 基於機器翻譯的跨語言信息檢索
8.3.3 不同語種文本的搜索結果聚類
8.3.4 基於聚類的個性化信息檢索
8.3.5 基於聚類的查詢擴展
8.3.6 其他檢索便利工具
8.3.7 繫統性能評估
8.4 案例六——基於內容的垃圾郵件識別
8.4.1 垃圾郵件識別方法簡介
8.4.2 基於內容的垃圾郵件識別方法工作原理
8.4.3 一種基於聚類的垃圾郵件識別方法
8.5 本章小結
參考文獻

數據挖掘技術應用越來越廣泛，社會對掌握數據挖掘技術的人纔需求越來越大，越來越多的高校在計算機相關專業及經濟、管理類專業開設了數據挖掘課程，以適應社會的需求。
本書旨在向讀者介紹數據挖掘的基本原理、方法，數據挖掘應用流程，通過原理、方法應用的背景介紹，使讀者理解、掌握如何選擇數據挖掘方法解決實際問題，通過案例的分析使讀者能夠應用這些方法解決現實世界中的問題。
全書分為上、下兩篇，共分8章。上篇包括第1～6章，下篇包括第7～8章。
第1章介紹數據挖掘的基本概念以及數據挖掘的重要應用領域。
第2章介紹數據的基本統計量以及數據預處理的常用方法。
第3章介紹分類的基本概念、應用背景，重點介紹決策樹、貝葉斯、最近鄰分類方法。
第4章介紹聚類分析的基本概念、應用背景，重點介紹常用的聚類方法。
第5章介紹關聯分析的基本概念、應用背景，重點介紹頻繁模式挖掘算法（Apriori算法和Fp-growth算法）、序列模式挖掘算法。
第6章介紹例外點挖掘的基本概念、應用背景，重點介紹基於距離、基於相對密度、基於聚類的例外點挖掘方法。
第7章介紹數據挖掘在通信行業中的客戶細分、客戶流失分析、客戶社會關繫挖掘、業務交叉銷售等方面的應用，並通過實際案例進行了分析。
第8章介紹數據挖掘在文本處理方面的應用，介紹文本挖掘和Web挖掘的基本概念，通過跨語言智能學術搜索繫統和基於內容的垃圾郵件識別兩個案例進行了分析。
本書除了介紹數據挖掘的經典方法之外，也融入了作者的部分研究成果。
本書的出版融會了許多人的辛勤勞動。第1、2、4、6、7、8章由蔣盛益負責，第3章由李霞負責，第5章由鄭琪負責。參與編寫工作的還有龐觀松、王連喜、吳美玲、謝照青、陽垚、苗邦等。印鋻教授、王家兵副教授認真審閱了初稿，指出了一些紕漏，並提出了修改建議。本書的出版得到了電子工業出版社的大力支持，書中參考了許多學者的研究成果，在此一並表示衷心感謝。
限於作者學識水平，書中肯定存在不足和疏漏，敬請讀者批評指正。
本書為任課教師提供配套的教學資源（包含電子教案和例題源代碼），需要者可登錄華信教育資源網，注冊之後進行下載。
作者