●目 錄上篇 理論篇第1章 緒論21.1 數據挖掘技術使用背景41.2 數據挖掘任務及過程51.2.1 數據挖掘定義51.2.2 數據挖掘任務51.2.3 數據挖掘過程71.2.4 數據挖掘對像81.2.5 數據挖掘工具及其選擇131.3 數據挖掘應用131.3.1 數據挖掘在計算機領域中的應用141.3.2 數據挖掘在商業領域中的應用151.3.3 數據挖掘在其他領域中的應用161.3.4 數據挖掘技術的前景171.4 數據挖掘與隱私保護18本章小結20習題120第2章 數據處理基礎232.1 數據242.1.1 數據及數據類型242.1.2 數據集的類型252.2 數據探索272.2.1 描述性統計分析272.2.2 數據可視化302.2.3 辛普森悖論342.3 數據預處理372.3.1 數據清理382.3.2 數據集成412.3.3 特征變換412.3.4 數據歸約482.4 相似性度量552.4.1 屬性之間的相似性度量562.4.2 對像之間的相似性度量57本章小結60習題261第3章 分類和回歸653.1 分類概述663.2 決策樹分類方法673.2.1 決策樹的基本概念673.2.2 構建決策樹的要素683.2.3 Hunt算法733.2.4 C4.5算法743.2.5 CART算法793.2.6 決策樹算法的特點903.3 貝葉斯分類方法903.3.1 貝葉斯定理913.3.2 樸素貝葉斯分類算法923.3.3 貝葉斯信念網絡963.4 k-最近鄰分類方法973.4.1 k-最近鄰分類的基本問題983.4.2 k-最近鄰分類算法描述983.4.3 k-最近鄰分類算法的優缺點1003.5 神經網絡分類方法1003.5.1 人工神經網絡的基本概念1003.5.2 典型神經網絡模型介紹1023.5.3 神經網絡的特點1033.5.4 深度網絡和深度學習算法1043.6 支持向量機1053.7 集成分類方法1073.8 分類問題拓展1133.8.1 不平衡分類問題1133.8.2 半監督學習1153.8.3 單類分類1153.8.4 多標簽分類1153.8.5 層次分類1153.9 分類模型的評價1163.9.1 分類模型性能評價指標1163.9.2 分類模型的過度擬合1173.9.3 評估分類模型性能的方法1173.10 綜合案例：信用風險分析1183.11 回歸分析1213.11.1線性回歸模型1223.11.2 非線性回歸1253.11.3 邏輯回歸127本章小結131習題3131第4章 聚類分析1374.1 聚類分析概述1384.2 k-means算法及其改進1414.2.1 基本k-means算法1414.2.2 k-means聚類算法的拓展1454.3 層次聚類算法1504.3.1 二分k-means算法1514.3.2 BIRCH算法1524.3.3 CURE算法1544.3.4 ROCK算法1554.4 基於密度的聚類算法1574.5 基於圖的聚類算法1604.5.1 Chameleon聚類算法1604.5.2 基於SNN的聚類算法1654.6 一趟聚類算法1674.6.1 閾值選擇1674.6.2 算法應用1714.7 基於模型的聚類算法1724.7.1 期望優選化方法1724.7.2 概念聚類1724.7.3 SOM方法1744.8 聚類算法評價1764.9 綜合案例：航空公司客戶價值分析178本章小結184習題4184第5章 關聯分析1875.1 關聯分析概述1885.2 關聯規則分析基礎1885.2.1 基本概念1885.2.2 基礎分析方法1905.3 Apriori算法1925.3.1 Apriori性質1925.3.2 產生頻繁項集1935.3.3 頻繁項集構造示例1945.3.4 產生關聯規則1955.3.5 規則的評估標準1985.3.6 Apriori算法評價2015.4 FP-Growth算法2015.4.1 FP-tree表示法2015.4.2 構建FP-tree2025.4.3 發現頻繁項集2045.5 關聯規則擴展2055.5.1 關聯規則分類2055.5.2 多層次關聯規則2065.5.3 多維度關聯規則2075.5.4 定量關聯規則2085.5.5 基於約束的關聯規則2085.5.6 序列模式挖掘2085.6 綜合案例：移動業務關聯分析2095.6.1 數據準備2095.6.2 數據預處理2095.6.3 關聯規則挖掘過程2115.6.4 規則的優化2145.6.5 模型的應用215本章小結216習題5216第6章 離群點挖掘2206.1 離群點挖掘概述2216.2 基於統計的方法2226.3 基於距離的方法2246.4 基於相對密度的方法2266.5 基於聚類的方法2316.5.1 基於對像的離群因子方法2316.5.2 基於簇的離群因子方法2346.5.3 基於聚類的動態數據離群點檢測方法2366.6 離群點挖掘方法的評估2376.7 綜合案例2376.7.1 離群點檢測在癌癥診斷中的應用2376.7.2 離群點檢測在網絡入侵檢測中的應用239本章小結242習題6242下篇 實踐篇第7章 文本挖掘2467.1 文本挖掘概述2477.1.1 分詞2477.1.2 文本表示與詞權重計算2507.1.3 文本特征選擇2527.1.4 文本分類2537.1.5 文本聚類2567.1.6 文檔自動摘要2587.1.7 文本情感分析2627.1.8 用戶畫像2657.2 案例分析2697.2.1 虛假新聞檢測案例2697.2.2 社交平臺情感分類277本章小結283第8章 數據挖掘的金融應用2858.1 數據挖掘在金融領域中的應用概述2878.1.1 金融科技2878.1.2 金融領域中的數據挖掘應用2898.2 銀行潛在貸款客戶挖掘2958.2.1 業務理解2958.2.2 數據理解與數據準備2968.2.3 模型構建與評估2998.3 貸款違約301本章小結305附錄A 數據挖掘常用資源列表307參考文獻308

本書內容分為數據挖掘理論和數據挖掘實踐兩部分。數據挖掘理論部分主要包括數據挖掘的基本概念、數據預處理、聚類分析、分類與回歸、關聯規則挖掘及離群點檢測。數據挖掘實踐部分討論數據挖掘在文本挖掘和金融領域中的應用，通過虛假新聞檢測和社交平臺情緒分析等案例，展示數據挖掘在文本挖掘方面的應用；通過潛在貸款客戶挖掘、貸款違約等案例展示數據挖掘在金融領域的應用。 本書可作為高等學校計算機、數據科學與大數據、電子商務、信息科學等相關專業的教材或參考書，也可供從事數據挖掘研究的科研、技術人員參考。