本書系統地闡述了數據挖掘產生的背景、技術、多種相關方法及具體應用，主要內容包括數據挖掘概述，數據采集、集成與預處理技術，多維數據分析與組織，預測模型研究與應用，關聯規則模型及應用，聚類分析方法與應用，粗糙集方法與應用，遺傳算法與應用，基于模糊理論的模型與應用，灰色系統理論與方法，基于數據挖掘的知識推理。 本書可作為管理科學與工程、信息科學與技術、應用數學等相關專業高年級本科生和研究生的數據倉庫、數據挖掘及知識管理等相關課程的教材或參考資料，也可用來幫助相關的專業研究人員提升數據挖掘的技巧和開拓新的研究方向。
（1）將多種數據挖掘理論與經典算法相結合；
（2）將對數據挖掘模型的細致講解與具體算例相結合；
（3）將數據挖據的一般算法與新穎改進相結合；
（4）將數據挖掘在傳統領域與交通、物流等特色領域的應用相結合。
第1章數據挖掘概述1
1.1數據倉庫和數據挖掘定義與解釋1
1.1.1數據倉庫的定義與解釋1
1.1.2數據挖掘的定義與解釋1
1.2數據倉庫系統的相關技術3
1.2.1數據倉庫系統相關技術之間的關系3
1.2.2數據倉庫系統模式7
1.3數據倉庫系統中多維數據組織的形式化定義與描述9
1.4數據挖掘方法與研究體系16
1.4.1數據挖掘系統的發展與結構16
1.4.2數據挖掘的相關技術與工具17
1.4.3數據挖掘應用及發展24
1.5商務智能系統定義與構成26
1.6小結28
思考題28
第2章數據采集、集成與預處理技術29
2.1數據采集的對象29
2.2數據集成技術與方法32
2.2.13G與MIS的集成模式33
2.2.2異構數據集成的設計與實現35
2.3數據預處理技術與方法36
2.3.1數據清理的方法36
2.3.2數據融合的方法37
2.3.3數據變換的方法38
2.3.4數據歸約的方法39
2.4基于樣本數據劃分的通用數據挖掘模型系統40
2.5中間件技術41
2.5.1中間件技術的定義與作用41
2.5.2中間件技術在數據倉庫系統中數據采集的應用45
2.6小結57
思考題57
第3章多維數據分析與組織58
3.1多維數據分析概述58
3.1.1聯機分析處理的定義和特點58
3.1.2聯機分析處理的評價準則59
3.1.3多維數據分析的主要概念60
3.2多維數據模型與結構61
3.2.1多維數據的概念模型61
3.2.2多維數據的邏輯模型63
3.2.3多維數據的物理模型65
3.3多維數據分析應用與工具68
3.3.1多維數據分析的基本操作68
3.3.2多維數據分析的工具及特點69
3.4從聯機分析處理到聯機分析挖掘71
3.4.1聯機分析挖掘形成原因71
3.4.2聯機分析挖掘概念及特征71
3.5小結73
思考題73
第4章預測模型研究與應用74
4.1預測模型的基礎理論74
4.1.1預測方法的分類74
4.1.2預測方法的一般步驟74
4.2回歸分析預測模型75
4.2.1一元線性回歸預測模型75
4.2.2多元線性回歸預測模型79
4.2.3非線性回歸預測模型85
4.3趨勢外推預測模型88
4.3.1佩爾預測模型88
4.3.2龔珀茲預測模型91
4.3.3林德諾預測模型94
4.4時間序列預測模型97
4.4.1移動平均預測模型97
4.4.2指數平滑預測模型98
4.4.3季節指數預測模型104
4.5基于神經網絡的預測模型107
4.6馬爾可夫預測模型118
4.7小結121
思考題121
第5章關聯規則模型及應用123
5.1關聯規則的基礎理論123
5.1.1關聯規則的定義與解釋123
5.1.2關聯規則在知識管理過程中的作用123
5.2Apriori關聯規則算法125
5.2.1關聯規則算法的相關概念125
5.2.2關聯規則算法的流程126
5.2.3基于Apriori算法的關聯規則算例127
5.3改進的Apriori關聯規則方法128
5.3.1動態存儲空間的構建128
5.3.2快速產生強項集的算法流程129
5.3.3改進算法的時間復雜性分析130
5.4Apriori關聯規則方法的實例131
5.5小結138
思考題138
第6章聚類分析方法與應用139
6.1聚類分析的基礎理論139
6.1.1聚類分析的定義139
6.1.2對聚類算法性能的要求139
6.2聚類分析的方法140
6.2.1基于劃分的聚類方法140
6.2.2基于層次的聚類方法141
6.2.3基于密度的聚類方法142
6.2.4基于網格的聚類方法143
6.2.5基于模型的聚類方法143
6.3應用聚類分析方法145
6.3.1kmeans聚類方法145
6.3.2kmedoids聚類方法146
6.3.3AGNES聚類方法149
6.3.4DIANA聚類方法150
6.3.5DBSCAN聚類方法152
6.4小結154
思考題154
第7章粗糙集方法與應用155
7.1粗糙集理論背景介紹155
7.1.1粗糙集的含義155
7.1.2粗糙集的應用及與其他領域的結合155
7.2粗糙集基本理論158
7.2.1知識與不可分辨關系158
7.2.2不精確范疇、近似與粗糙集159
7.2.3粗糙集的精度和粗糙度160
7.2.4粗糙集的粗等價和粗包含161
7.3基于粗糙集的屬性約簡161
7.3.1知識的約簡和核162
7.3.2知識的依賴性度量和屬性的重要度164
7.4基于粗糙集的決策知識表示165
7.4.1基于粗糙集的決策知識表示方法165
7.4.2粗糙集在規則提取中的應用算例167
7.5小結168
思考題168
第8章遺傳算法與應用169
8.1遺傳算法基礎理論169
8.1.1遺傳算法概述169
8.1.2遺傳算法特點170
8.2遺傳算法的應用領域和研究方向170
8.2.1遺傳算法的應用領域170
8.2.2遺傳算法的研究方向173
8.3遺傳算法的基礎知識174
8.3.1遺傳算法的相關概念174
8.3.2遺傳算法的編碼規則174
8.3.3遺傳算法的主要算子176
8.3.4遺傳算法的適應度函數180
8.4遺傳算法計算過程和應用181
8.4.1遺傳算法計算過程181
8.4.2遺傳算法參數選擇181
8.4.3遺傳算法實例應用182
8.5小結186
思考題186
第9章基于模糊理論的模型與應用187
9.1層次分析法187
9.1.1層次分析法的計算步驟187
9.1.2層次分析法應用實例190
9.2模糊層次分析法192
9.2.1模糊層次分析法的步驟193
9.2.2模糊層次分析法應用實例193
9.3模糊綜合評判法196
9.3.1模糊綜合評判法的原理與步驟196
9.3.2模糊綜合評判法應用實例199
9.4模糊聚類分析方法201
9.4.1模糊聚類方法介紹201
9.4.2模糊聚類算法應用202
9.5小結203
思考題203
第10章灰色系統理論與方法204
10.1灰色系統的基礎理論204
10.1.1灰色系統理論介紹204
10.1.2灰色系統的特點205
10.1.3灰色系統建模與適用范圍205
10.2灰色預測模型207
10.2.1建立灰色預測模型208
10.2.2灰色預測模型實例209
10.3灰色聚類分析211
10.3.1基于灰色關聯度的聚類分析212
10.3.2基于灰色白化權函數的聚類方法216
10.4灰色綜合評價法220
10.4.1多層次灰色綜合評價方法計算步驟220
10.4.2多層次灰色綜合評價方法應用案例222
10.5小結226
思考題226
第11章基于數據挖掘的知識推理227
11.1知識推理的分類227
11.1.1非單調推理227
11.1.2非確定性推理227
11.1.3基于規則的推理232
11.1.4基于案例的推理233
11.2基于數據挖掘方法的知識推理234
11.2.1基于決策樹的知識推理234
11.2.2基于關聯規則的知識推理239
11.2.3基于粗糙集的知識推理239
11.3小結240
思考題240
參考文獻241
新書資訊