大数据时代，我们需要对各种海量数据进行筛选、清洗、挖掘，在这个过程中，获取有效数据的方式方法和模型算法成为了整个数据挖掘过程的重点，MATLAB作为一个数据挖掘工具，如何正确和准确地使用它成为了重中之重。
针对实际应用数据挖掘技术的要求，本书既介绍了数据挖掘的基础理论和技术，又较为详细地介绍了各种算法以及MATLAB程序。本书共分4篇，分别介绍了数据挖掘的基本概念、技术与算法以及应用实例。期望通过大量的实例分析帮助广大读者掌握数据挖掘技术，并应用于实际的研究中，提高对海量数据信息的处理及挖掘能力。本书针对性和实用性强，具有较高的理论和实用价值。
本书作者就职于部队高校，专攻数据挖掘，并应用于大量实际项目，本书同时得到了国内著名数据挖掘公司的技术支持，很多案例来自实际项目。
本书可作为高等院校计算机工程、信息工程、生物医学工程、化学、环境、经济、管理等学科的研究生、本科生的教材或教学参考书，亦可作为企事业单位管理者、信息分析人员、市场营销人员和研究与开发人员的参考资料。

第1章绪论 1
1.1 数据挖掘概述 2
1.2 数据挖掘的分类 4
1.3 数据挖掘的过程 5
1.4 数据挖掘的任务 6
1.5 数据挖掘的对象 8
1.5.1 数据库 8
1.5.2 文本 10
1.5.3 图像与视频数据 10
1.5.4 Web数据 11
1.6 数据挖掘建模方法 11
1.6.1 业务理解 12
1.6.2 数据理解 13
1.6.3 数据准备 13
1.6.4 建模 14
1.6.5 评估 15
1.6.6 部署 16
1.7 数据挖掘的应用 16
1.7.1 在金融领域的应用 16
1.7.2 在零售业中的应用 17
1.7.3 在电信业的应用 18
1.7.4 在管理中的应用 19
1.7.5 在化学研究领域中的应用 19
1.7.6 在材料研究、生产方面的应用 20
1.7.7 在机械故障诊断与监测中的应用 21
1.7.8 在医疗领域中的应用 22
第2章数据挖掘算法 25
2.1 决策树算法 26
2.1.1 决策树基本算法 27
2.1.2 ID3算法 29
2.1.3 C4.5算法 30
2.1.4 CART算法 31
2.1.5 决策树的评价标准 32
2.1.6 决策树的剪枝及优化 33
2.1.7 基于matlab的决策树分析 34
2.2 人工神经网络算法 41
2.2.1 人工神经网络概述 41
2.2.2 人工神经网络的基本模型 41
2.2.3 BP神经网络 43
2.2.4 RBF神经网络 45
2.2.5 SOM神经网络 46
2.2.6 反馈型神经网络（Hopfield） 47
2.2.7 基于matlab的神经网络方法 49
2.3 进化算法 55
2.3.1 进化算法的基本原理 56
2.3.2 基因算法的主要步骤 60
2.3.3 基本遗传算法 61
2.3.4 进化规划算法 63
2.3.5 进化策略计算 64
2.3.6 量子遗传算法 68
2.3.7 人工免疫算法 72
2.3.8 基于matlab的进化算法 80
2.4 统计分析方法 87
2.4.1 假设检验 87
2.4.2 回归分析 91
2.4.3 二项逻辑（logistic）回归 100
2.4.4 方差分析 104
2.4.5 主成分分析 107
2.4.6 因子分析 110
2.4.7 基于matlab的统计分析方法 113
2.5 贝叶斯网络方法 141
2.5.1 贝叶斯定理、先验和后验 142
2.5.2 贝叶斯网络 142
2.5.3 贝叶斯网络学习 143
2.5.4 主要贝叶斯网络模型 145
2.5.5 基于matlab的贝叶斯网络方法 148
2.6 支持向量机 160
2.6.1 支持向量机概述 160
2.6.2 核函数 162
2.6.3 基于matlab的支持向量机方法 164
2.7 关联分析 167
2.7.1 概述 167
2.7.2 Apriori关联规则算法 170
2.7.3 基于分类搜索的关联规则算法 171
2.7.4 时序关联规则算法 173
2.7.5 多值属性关联规则算法 174
2.7.6 增量关联规则算法 175
2.7.7 基于关联规则的分类算法 176
2.7.8 模糊关联分类算法 177
2.7.9 关联规则的评价 178
2.7.10 辛普森悖论 179
2.7.11 基于matlab的关联规则分析 180
2.8 其他数据挖掘方法 182
2.8.1 近邻法 182
2.8.2 K-means聚类 184
2.8.3 基于matlab的近邻法及k-means聚类法 187
第3章数据挖掘相关技术 191
3.1 数据仓库 192
3.1.1 概述 192
3.1.2 数据仓库设计 195
3.1.3 数据仓库的开发应用 199
3.1.4 数据仓库的技术管理 209
3.1.5 OLAP技术 210
3.1.6 基于matlab的数据仓库开发技术 214
3.2 模糊集理论 234
3.1.1 模糊集合 234
3.1.2 模糊关系 237
3.1.3 模糊聚类 239
3.3.5 基于matlab的模糊集处理技术 244
3.3 粗糙集技术 255
3.3.1 粗糙集理论的基本概念 256
3.3.2 分类规则的形成 259
3.3.3 知识的约简 259
3.3.4 模糊集与粗糙集 261
3.3.5 基于matlab的粗糙集处理方法 262
3.4 目标优化技术 265
3.4.1 极值问题 266
3.4.2 无约束非线性规划 267
3.4.3 有约束非线性规划 270
3.4.4 大规模优化问题的分解算法 270
3.4.5 其他优化方法 273
3.4.6 基于matlab的目标优化方法 274
3.5 可视化技术 281
3.5.1 可视化技术分类 282
3.5.2 多维数据可视化 283
3.5.3 图形的特征分析 294
3.5.4 基于多元图的图形分类方法 297
3.5.5 基于色度学空间的多元图表示 299
3.5.6 基于matlab的数据可视化技术 300
3.6 公式发现 314
3.6.1 概述 315
3.6.2 公式发现系统中的知识 315
3.6.3 基于matlab的公式发现 319
3.7 多媒体数据挖掘技术 320
3.7.1 文本挖掘 323
3.7.2 图像挖掘 331
3.7.3 视频挖掘 331
3.7.4 音频挖掘 332
3.7.5 复合类型数据的挖掘 333
3.8 Web数据挖掘技术 334
3.8.1 Web内容挖掘 335
3.8.2 Web结构挖掘 337
3.8.3 Web使用挖掘 338

第4章数据挖掘应用实战 343
4.1 数据关系发现 344
4.2 数据统计特性 344
4.3 数据预处理 349
4.3.1 数据清理 349
4.3.2 数据集成与转换 351
4.3.3 数据归约与浓缩 353
4.3.4 数值数据的概念分层与离散化 360
4.3.5 例题 362
4.4 分类 373
4.5 例题 376
4.6 预测 381
4.6.1 回归分析 381
4.6.2 时间序列预测模型 385
4.6.3 马尔可夫链 389
4.6.4 灰色系统方法 390
4.6.5 例题 398
4.7 聚类 418
4.7.1 聚类分析概述 418
4.7.2 聚类分析中的数据类型 419
4.7.3相似性度量 422
4.7.4 聚类的特征 427
4.7.5 聚类准则 427
4.7.6 划分方法 429
4.7.7 层次方法 430
4.7.8 基于密度的方法 433
4.7.9 基于网格的方法 434
4.7.10 基于模型的聚类方法 435
4.4.11 基于目标函数的方法 436
4.7.12 离群点检测 438
4.7.13 聚类有效性 445
4.7.14 例题 448
4.8 时序数据挖掘 462
4.8.1 基本定义 463
4.8.2 时序数据挖掘参数 464
4.8.3 时序关联规则 464
4.8.4 时间序列挖掘 466
4.8.5 时间序列分段线性表示 468
4.8.6 时间序列的预测 469
4.8.7 例题 469
4.9 关联规则挖掘 481
4.9.1 关联规则的类型及挖掘算法 481
4.9.2 基于组织进化的关联规则挖掘 481
4.9.3 基于组织层次进化的关联规则挖掘 483
4.9.4 多维关联规则挖掘 484
4.9.5 关联规则扩展 485
4.9.6 例题 487
参考文献 500

精彩书摘

　　第3章人工神经网络算法
　　3.1 人工神经网络概述
　　人工神经网络（Artificial Neural Network，ANN）有时简称为神经网络，是在现代生物学研究人脑组织所取得成果的基础上提出的，它利用大量简单的处理单元广泛连接组成的复杂网络，来模拟人类大脑的神经网络结构和行为。它的研究成果显示了人工神经网络具有人脑功能的基本物质特征——学习、记忆、概括、归纳和抽取等，从而解决了人工智能研究中的某些局限性。它不同于以前人工智能领域中普遍采用的基于逻辑和符号处理的理论和方法，而是开辟了崭新的途径。
　　神经网络的产生是从生物学上获得的灵感，它将实现模拟生物神经元的某些基本功能的元件组织起来，而组织方式或是按人脑组织方式，或是根本不按人脑组织方式，不管其是高度相似，还是简单模仿，神经网络仍能显示其惊人的与人脑相近的特性。例如，它能学习专门知识，从先前已有的实例中概括出新的例子。
　　随着神经网络的大量开创性应用，可以发现，不管网络的组织形式如何，它们均有以下三个共同的特性。
　　（1）学习。神经网络具有对周围环境自学习、自适应的功能。这种学习机制基于网络的组织形式能适应各种学习算法，而学习算法是指网络能根据训练实例来决定自身的行为，当出现一组输入信息（或附有所需的输出结果）时，它们能不断调整，产生一系列一致的结果，犹如人们智能活动“习惯成自然”一样，反映出网络的学习性能。
　　（2）概括。一旦训练后，神经网络的响应能在某种程度上对外界输出信息的少量丢失或神经网络组织的局部缺损不再很敏感。这种机制与大脑每日有大量神经网络正常死亡但并不影响大脑的功能，或者大脑局部损伤会引起某些功能的逐渐衰退，但不是功能完全丧失一样，反映了神经网络的鲁棒性，即具有容错能力。
　　（3）抽取。神经网络还有一种抽取外界输入信息特征的特殊功能，可以从不完善的数据和图形进行学习和做出决定。一旦训练完成，就能从给定的输入模式快速计算出结果。如对它进行一张人像的一系列不完整的照片识别训练之后，再任选一张缺损的照片让神经网络识别，网络将会做出一个完整形式的人像照片的响应。在某种意义上可以说它能“创造”出以前从未见到的某些东西。
　　人工神经网络的这些基本特征反映了它能较之其他人工智能理论和方法更好地解决这方面的任务。同时，也可以看出它实现的是右半脑直觉形象思维的特性，而传统人工智能理论和方法实现左半脑逻辑思维的特性，它们有着互补的作用，而不是简单取代的关系。正是具有这些特点，人工神经网络在人工智能、自动控制、计算机科学、信息处理、模式识别等领域得到了广泛的应用。‘
　　……

前言/序言

　　本书按照理论基础、实现步骤、实例三部分内容进行阐述，避免空洞的理论说教，着重介绍应用实例，具有较强的指导性和实用性，使读者不至于面对如此丰富的理论和方法无所适从，而是通过了解各种算法的实现思路和方法，体会算法源代码的意义，这样即使所举的实例不属于读者从事的学科，也能举一反三，掌握数据挖掘技术并应用于自己从事的科学研究中。
　　本书分为4篇，每篇涵盖的内容比较广泛，既有对数据挖掘概念的讨论，也有对数据挖掘技术和原理的介绍，而且编写了大量的实例，并给出了相应的程序。第1篇介绍数据挖掘的相关概念以及在多个领域中的应用情况；第2篇介绍数据挖掘算法，包括人工神经网络、决策树、遗传算法、关联分析、统计分析方法、支持向量机及一些聚类算法；第3篇介绍与数据挖掘相关的一些技术，包括数据仓库、模糊集理论、粗糙集技术、目标优化技术、可视化技术、公式发现、多媒体数据挖掘技术及Web数据挖掘技术；第4篇介绍数据挖掘具体应用实例，重点介绍数据预处理技术、聚类、分类、预测、关联规则分析、时间序列分析等方法。
　　本书的出版得到了清华大学出版社的大力支持，编辑栾大成为本书内容等许多方面提出了宝贵的意见。书中参考了许多学者的研究成果，在此一并表示衷心的感谢！
　　由于数据挖掘的内容非常丰富，所涉及的学科也较多，且限于作者学识水平，书中难免存在缺点、错误以及疏漏，敬请读者批评斧正。
　　本书为读者提供实例中给出的MATLAB程序，需要者可登录清华大学出版社网站，注册之后进行下载。作者随时解答读者问题。
　　许国根
　　本书习题代码下载
　　说明：本书习题按照“篇”分类，共三个文件夹，请对应正文的习题编号进行查询。

实战大数据 MATLAB数据挖掘详解与实践下载 mobi epub pdf txt 电子书格式