數據挖掘算法與應用

第1章 概論
1.1 數據挖掘的定義和范疇
1.2 數據及其度量
1.3 數據挖掘的過程
1.4 數據挖掘的任務和建模
1.5 數據挖掘的算法
1.6 聚類分析
1.7 分類
1.8 主模式提取和孤立點挖掘
1.9 數據挖掘的應用
1.10 數據挖掘的軟件及開發(fā)商
1.11 展望
第1篇 數據挖掘算法
第2章 決策樹算法
2.1 決策樹基本算法
2.2 ID3算法
2.3 C4.5算法
2.4 CART、算法
2.5 SLIQ算法
2.6 SPRINT算法
第3章 神經網絡算法
3.1 概述
3.2 人工神經元和單層神經網絡
3.3 多層感知器和反向傳播算法
3.4 多層神經網絡算法分析
3.5 改進反向傳播的一些實用技術
3.6 徑向基函數網絡
3.7 競爭學習和側抑制
3.8 自組織特征圖
3.9 反饋網絡
3.10 隨機算法和Boltzmann網絡
3.11 神經網絡在金融市場中的應用
第4章 基因算法
4.1 基因算法的基本原理
4.2 基因算法分析
4.3 基因算法應用舉例
4.4 小結
第5章 基本統(tǒng)計分析方法
5.1 正態(tài)分布參數的假設檢驗和區(qū)間估計
5.2 兩組數據的比較
5.3 二維數據檢驗
5.4 回歸分析
5.5 方差分析
5.6 互聯網股市信息強度的統(tǒng)計分類及其在股價波動上的預測
第6章 貝葉斯網絡方法
6.1 主觀概率
6.2 貝葉斯定理、先驗和后驗
6.3 beta分布和Dirichlet分布
6.4 貝葉斯網絡
6.5 貝葉斯網絡學習
6.6 不完全數據情形下的學習
6.7 貝葉斯網絡有監(jiān)督學習
6.8 貝葉斯網絡無監(jiān)督學習
第7章 支持向量機
7.1 概述
7.2 線性可分問題的SVM方法
7.3 線性不可分問題的SVM方法
7.4 核函數
7.5 libSVM仿真平臺
7.6 支持向量機方法在識別偽造信用卡中的應用
第8章 其他數據挖掘方法
8.1 主成分分析
8.2 近鄰法
8.3 期望值最大化方法
8.4 隱Markov模型
8.5 K-均值聚類
8.6 K-中心點算法
8.7 關聯規(guī)則挖掘
第2篇 數據挖掘相關技術
第9章 數據倉庫
9.1 概述
9.2 數據倉庫設計
9.3 聯機分析處理
9.4 數據倉庫應用舉例
第10章 模糊處理技術
10.1 特征函數和隸屬度函數
10.2 λ截集
10.3 模型識別
10.4 模糊關系
10.5 模糊聚類
第11章 粗糙集技術
11.1 概述
11.2 不可分辨關系
11.3 下近似和上近似
11.4 近似精度、粗糙集隸屬函數
11.5 模糊集與粗糙集
11.6 粗糙集技術在數據挖掘中的應用
第12章 目標優(yōu)化技術
12.1 概述
12.2 無約束非線性規(guī)劃
12.3 有約束非線性規(guī)劃
12.4 大規(guī)模優(yōu)化問題的分解算法
第3篇 數據挖掘應用
第13章 互聯網數據挖掘
13.1 互聯網數據挖掘的分類和特點
13.2 互聯網金融數據挖掘
13.3 互聯網金融數據挖掘和金融市場的關系
第14章 互聯網金融信息搜索引擎
14.1 概述
14.2 金融定點收割引擎
14.3 金融爬蟲搜索引擎
14.4 金融信息搜索引擎應用實例
14.5 搜索引擎定價
第15章 互聯網信息流時間序列挖掘
15.1 金融信息流概述
15.2 時間序列的統(tǒng)計模型
15.3 時間序列模式的挖掘
15.4 互聯網金融信息流時間序列
15.5 互聯網金融信息流強度時間序列挖掘問題
參考文獻