数据分析与数据挖掘

本书针对“从数据到信息”和“从数据到知识”两个目标，深入浅出地讲解数据分析与数据挖掘的相关理论方法，学会“如何发现事实背后的真相”，进而学会“用数据说话”，分别以数据分析和数据挖掘两个技术为主线，将统计学、数据库、机器学习等理论技术进行有机融合，循序渐进地讲解相关核心概念、基本方法和应用技术。 本书适合作为信息大类专业本科生教材，以及计算机技术和软件工程相关学科的研究生教材，也可作为数据资源开发利用相关研发人员的自学参考书。

第1章 概述
1.1 引言
1.2 数据分析与数据挖掘定义
1.3 数据分析与数据挖掘相关核心概念
1.4 数据分析与数据挖掘的主要功能及任务
1.5 数据分析与数据挖掘的基本过程
1.6 数据分析与数据挖掘的技术可行性
1.7 总结
1.8 习题
第2章 数据预处理与特征工程
2.1 数据预处理概述
2.2 数据清理
2.3 数据集成
2.4 数据归约
2.5 数据变换
2.6 特征工程
2.7 总结
2.8 习题
第3章 数据探索分析
3.1 数据探索分析简介
3.2 数据集基本结构
3.3 从几何、代数视角认识数据
3.4 从概率视角认识数据
3.5 描述性统计
3.6 总结
3.7 习题
第4章 数据的差异性比较
4.1 数据差异显著性检验
4.2 均值差异性比较
4.3 多组样本的均值差异性比较
4.4 分布特征的差异性比较
4.5 总结
4.6 习题
第5章 数据的相关性比较
5.1 相关分析与回归分析的概念
5.2 相关分析
5.3 回归分析
5.4 总结
5.5 习题
第6章 数据降维
6.1 降维方法简介
6.2 主成分分析
6.3 因子分析
6.4 对应分析
6.5 局部线性嵌入
6.6 总结
6.7 习题
第7章 关联规则挖掘
7.1 关联规则及其度量指标
7.2 关联规则挖掘的步骤
7.3 关联规则挖掘算法
7.4 由关联挖掘到相关分析
7.5 总结
7.6 习题
第8章 预测分析
8.1 预测模型简介
8.2 决策树分类
8.3 贝叶斯分类
8.4 支持向量机分类
8.5 神经网络分类
8.6 总结
8.7 习题
第9章 聚类分析
9.1 聚类的概念
9.2 数据的相似性度量
9.3 基于划分的聚类方法
9.4 基于层次的聚类方法
9.5 基于密度的聚类方法
9.6 聚类评估
9.7 总结
9.8 习题
参考文献