《數據挖掘:概念與技術(原書第3版)》完整全面地講述數據挖掘的概念、方法、技術和最新研究進展。《數據挖掘:概念與技術(原書第3版)》對前兩版做了全面修訂，加強和重新組織了全書的技術內容，重點論述了數據預處理、頻繁模式挖掘、分類和聚類等的內容，還全面講述了OLAP和離群點檢測，並研討了挖掘網路、複雜數據類型以及重要套用領域。 海報：
基本介紹
- 書名：計算機科學叢書：數據挖掘:概念與技術
- 作者：韓家煒 Micheline Kamber
- 出版社：機械工業出版社
- 頁數：468頁
- 開本：16
- 定價：79.00
- 外文名：Data Mining Concepts and Techniques Third Edition
- 類型：科技
- 出版日期：2012年8月14日
- 語種：簡體中文
- ISBN：9787111391401, 7111391403
- 品牌：機械工業出版社
基本介紹,內容簡介,作者簡介,圖書目錄,
基本介紹
內容簡介
《數據挖掘:概念與技術(原書第3版)》編輯推薦：數據挖掘領域最具里程碑意義的經典著作，完整全面闡述該領域的重要知識和技術創新。《數據挖掘:概念與技術(原書第3版)》是數據挖掘和知識發現領域內的所有教師、研究人員、開發人員和用戶都必讀的參考書，是一本適用於數據分析、數據挖掘和知識發現課程的優秀教材，可以用做高年級本科生或者一年級研究生的數據挖掘導論教材。
作者簡介
作者：（美國）韓家煒 Micheline Kamber 裴健 譯者：范明 孟小峰
韓家煒（Jiawei Han）是伊利諾伊大學厄巴納-尚佩恩分校計算機科學系的Bliss教授。他因知識發現和數據挖掘研究方面的貢獻而獲得許多獎勵，包括ACM SIGKDD創新獎（2004）、IEEE計算機學會技術成就獎（2005）和IEEE W.Wallace McDowell獎（2009）。他是ACM和IEEE會士。他還擔任《ACM Transactions on Knowledge Discovery from Data》的執行主編（2006—2011）和許多雜誌的編委，包括《IEEE Transactions on Knowledge and Data Engineering》和《Data Mining Knowledge Discovery》。
Micheline Kamber由加拿大魁北克蒙特婁Concordia大學獲計算機科學（人工智慧專業）碩士學位。她曾是NSERC學者，作為研究者在McGill大學、西蒙-弗雷澤大學和瑞士工作。她的數據挖掘背景和以易於理解的形式寫作的熱情使得本書更受專業人員、教師和學生的歡迎。
裴健（Jian Pei）現在是西蒙-弗雷澤大學計算機科學學院教授。他在Jiawei Han的指導下，於2002年獲西蒙-弗雷澤大學計算科學博士學位。他在數據挖掘、資料庫、Web搜尋和信息檢索的主要學術論壇發表了大量文章，並積極服務於學術團體。他的文章被引用數千次，並獲多次榮譽獎。他是多種數據挖掘和數據分析雜誌的助理編輯。
韓家煒（Jiawei Han）是伊利諾伊大學厄巴納-尚佩恩分校計算機科學系的Bliss教授。他因知識發現和數據挖掘研究方面的貢獻而獲得許多獎勵，包括ACM SIGKDD創新獎（2004）、IEEE計算機學會技術成就獎（2005）和IEEE W.Wallace McDowell獎（2009）。他是ACM和IEEE會士。他還擔任《ACM Transactions on Knowledge Discovery from Data》的執行主編（2006—2011）和許多雜誌的編委，包括《IEEE Transactions on Knowledge and Data Engineering》和《Data Mining Knowledge Discovery》。
Micheline Kamber由加拿大魁北克蒙特婁Concordia大學獲計算機科學（人工智慧專業）碩士學位。她曾是NSERC學者，作為研究者在McGill大學、西蒙-弗雷澤大學和瑞士工作。她的數據挖掘背景和以易於理解的形式寫作的熱情使得本書更受專業人員、教師和學生的歡迎。
裴健（Jian Pei）現在是西蒙-弗雷澤大學計算機科學學院教授。他在Jiawei Han的指導下，於2002年獲西蒙-弗雷澤大學計算科學博士學位。他在數據挖掘、資料庫、Web搜尋和信息檢索的主要學術論壇發表了大量文章，並積極服務於學術團體。他的文章被引用數千次，並獲多次榮譽獎。他是多種數據挖掘和數據分析雜誌的助理編輯。
圖書目錄
出版者的話
中文版序
譯者序
譯者簡介
第3版序
第2版序
前言
致謝
作者簡介
第1章 引論
1.1 為什麼進行數據挖掘
1.1.1 邁向資訊時代
1.1.2 數據挖掘是信息技術的進化
1.2 什麼是數據挖掘
1.3 可以挖掘什麼類型的數據
1.3.1 資料庫數據
1.3.2 數據倉庫
1.3.3 事務數據
1.3.4 其他類型的數據
1.4 可以挖掘什麼類型的模式
1.4.1 類∕概念描述：特徵化與區分
1.4.2 挖掘頻繁模式、關聯和相關性
1.4.3 用於預測分析的分類與回歸
1.4.4 聚類分析
1.4.5 離群點分析
1.4.6 所有模式都是有趣的嗎
1.5 使用什麼技術
1.5.1 統計學
1.5.2 機器學習
1.5.3 資料庫系統與數據倉庫
1.5.4 信息檢索
1.6 面向什麼類型的套用
1.6.1 商務智慧型
1.6.2 Web搜尋引擎
1.7 數據挖掘的主要問題
1.7.1 挖掘方法
1.7.2 用戶界面
1.7.3 有效性和可伸縮性
1.7.4 資料庫類型的多樣性
1.7.5 數據挖掘與社會
1.8 小結
1.9 習題
1.10 文獻注釋
第2章 認識數據
2.1 數據對象與屬性類型
2.1.1 什麼是屬性
2.1.2 標稱屬性
2.1.3 二元屬性
2.1.4 序數屬性
2.1.5 數值屬性
2.1.6 離散屬性與連續屬性
2.2 數據的基本統計描述
2.2.1 中心趨勢度量：均值、中位數和眾數
2.2.2 度量數據散布：極差、四分位數、方差、標準差和四分位數極差
2.2.3 數據的基本統計描述的圖形顯示
2.3 數據可視化
2.3.1 基於像素的可視化技術
2.3.2 幾何投影可視化技術
2.3.3 基於圖符的可視化技術
2.3.4 層次可視化技術
2.3.5 可視化複雜對象和關係
2.4 度量數據的相似性和相異性
2.4.1 數據矩陣與相異性矩陣
2.4.2 標稱屬性的鄰近性度量
2.4.3 二元屬性的鄰近性度量
2.4.4 數值屬性的相異性：閔可夫斯基距離
2.4.5 序數屬性的鄰近性度量
2.4.6 混合類型屬性的相異性
2.4.7 餘弦相似性
2.5 小結
2.6 習題
2.7 文獻注釋
第3章 數據預處理
3.1 數據預處理：概述
3.1.1 數據質量：為什麼要對數據預處理
3.1.2 數據預處理的主要任務
3.2 數據清理
3.2.1 缺失值
3.2.2 噪聲數據
3.2.3 數據清理作為一個過程
3.3 數據集成
3.3.1 實體識別問題
3.3.2 冗餘和相關分析
3.3.3 元組重複
3.3.4 數據值衝突的檢測與處理
3.4 數據歸約
3.4.1 數據歸約策略概述
3.4.2 小波變換
3.4.3 主成分分析
3.4.4 屬性子集選擇
3.4.5 回歸和對數線性模型：參數化數據歸約
3.4.6 直方圖
3.4.7 聚類
3.4.8 抽樣
3.4.9 數據立方體聚集
3.5 數據變換與數據離散化
3.5.1 數據變換策略概述
3.5.2 通過規範化變換數據
3.5.3 通過分箱離散化
3.5.4 通過直方圖分析離散化
3.5.5 通過聚類、決策樹和相關分析離散化
3.5.6 標稱數據的概念分層產生
3.6 小結
3.7 習題
3.8 文獻注釋
第4章 數據倉庫與在線上分析處理
4.1 數據倉庫：基本概念
4.1.1 什麼是數據倉庫
4.1.2 運算元據庫系統與數據倉庫的區別
4.1.3 為什麼需要分離的數據倉庫
4.1.4 數據倉庫：一種多層體系結構
4.1.5 數據倉庫模型：企業倉庫、數據集市和虛擬倉庫
4.1.6 數據提取、變換和裝入
4.1.7 無資料庫
4.2 數據倉庫建模：數據立方體與OLAP
4.2.1 數據立方體：一種多維數據模型
4.2.2 星形、雪花形和事實星座：多維數據模型的模式
4.2.3 維：概念分層的作用
4.2.4 度量的分類和計算
4.2.5 典型的OLAP操作
4.2.6 查詢多維資料庫的星網查詢模型
4.3 數據倉庫的設計與使用
4.3.1 數據倉庫的設計的商務分析框架
4.3.2 數據倉庫的設計過程
4.3.3 數據倉庫用於信息處理
4.3.4 從在線上分析處理到多維數據挖掘
4.4 數據倉庫的實現
4.4.1 數據立方體的有效計算：概述
4.4.2 索引OLAP數據：點陣圖索引和連線索引
4.4.3 OLAP查詢的有效處理
4.4.4 OLAP伺服器結構：ROLAP、MOLAP、HOLAP的比較
4.5 數據泛化：面向屬性的歸納
4.5.1 數據特徵的面向屬性的歸納
4.5.2 面向屬性歸納的有效實現
4.5.3 類比較的面向屬性歸納
4.6 小結
4.7 習題
4.8 文獻注釋
第5章 數據立方體技術
5.1 數據立方體計算：基本概念
5.1.1 立方體物化：完全立方體、冰山立方體、閉立方體和立方體外殼
5.1.2 數據立方體計算的一般策略
5.2 數據立方體計算方法
5.2.1 完全立方體計算的多路數組聚集
5.2.2 BUC：從頂點方體向下計算冰山立方體
5.2.3 Star—Cubing：使用動態星樹結構計算冰山立方體
5.2.4 為快速高維OLAP預計算殼片段
5.3 使用探索立方體技術處理高級查詢
5.3.1 抽樣立方體：樣本數據上基於OLAP的挖掘
5.3.2 排序立方體：top—k查詢的有效計算
5.4 數據立方體空間的多維數據分析
5.4.1 預測立方體：立方體空間的預測挖掘
5.4.2 多特徵立方體：多粒度上的複雜聚集
5.4.3 基於異常的、發現驅動的立方體空間探查
5.5 小結
5.6 習題
5.7 文獻注釋
第6章 挖掘頻繁模式、關聯和相關性：基本概念和方法
6.1 基本概念
6.1.1 購物籃分析：一個誘發例子
6.1.2 頻繁項集、閉項集和關聯規則
6.2 頻繁項集挖掘方法
6.2.1 Apriori算法：通過限制候選產生髮現頻繁項集
6.2.2 由頻繁項集產生關聯規則
6.2.3 提高Apriori算法的效率
6.2.4 挖掘頻繁項集的模式增長方法
6.2.5 使用垂直數據格式挖掘頻繁項集
6.2.6 挖掘閉模式和極大模式
6.3 哪些模式是有趣的：模式評估方法
6.3.1 強規則不一定是有趣的
6.3.2 從關聯分析到相關分析
6.3.3 模式評估度量比較
6.4 小結
6.5 習題
6.6 文獻注釋
第7章 高級模式挖掘
7.1 模式挖掘：一個路線圖
7.2 多層、多維空間中的模式挖掘
7.2.1 挖掘多層關聯規則
7.2.2 挖掘多維關聯規則
7.2.3 挖掘量化關聯規則
7.2.4 挖掘稀有模式和負模式
7.3 基於約束的頻繁模式挖掘
7.3.1 關聯規則的元規則制導挖掘
7.3.2 基於約束的模式產生：模式空間剪枝和數據空間剪枝
7.4 挖掘高維數據和巨型模式
7.5 挖掘壓縮或近似模式
7.5.1 通過模式聚類挖掘壓縮模式
7.5.2 提取感知冗餘的top—k模式
7.6 模式探索與套用
7.6.1 頻繁模式的語義註解
7.6.2 模式挖掘的套用
7.7 小結
7.8 習題
7.9 文獻注釋
第8章 分類：基本概念
8.1 基本概念
8.1.1 什麼是分類
8.1.2 分類的一般方法
8.2 決策樹歸納
8.2.1 決策樹歸納
8.2.2 屬性選擇度量
8.2.3 樹剪枝
8.2.4 可伸縮性與決策樹歸納
8.2.5 決策樹歸納的可視化挖掘
8.3 貝葉斯分類方法
8.3.1 貝葉斯定理
8.3.2 樸素貝葉斯分類
8.4 基於規則的分類
8.4.1 使用IF—THEN規則分類
8.4.2 由決策樹提取規則
8.4.3 使用順序覆蓋算法的規則歸納
8.5 模型評估與選擇
8.5.1 評估分類器性能的度量
8.5.2 保持方法和隨機二次抽樣
8.5.3 交又驗證
8.5.4 自助法
8.5.5 使用統計顯著性檢驗選擇模型
8.5.6 基於成本效益和ROC曲線比較分類器
8.6 提高分類準確率的技術
8.6.1 組合分類方法簡介
8.6.2 裝袋
8.6.3 提升和AdaBoost
8.6.4 隨機森林
8.6.5 提高類不平衡數據的分類準確率
8.7 小結
8.8 習題
8.9 文獻注釋
第9章 分類：高級方法
9.1 貝葉斯信念網路
9.1.1 概念和機制
9.1.2 訓練貝葉斯信念網路
9.2 用後向傳播分類
9.2.1 多層前饋神經網路
9.2.2 定義網路拓撲
9.2.3 後向傳播
9.2.4 黑盒內部：後向傳播和可解釋性
9.3 支持向量機
9.3.1 數據線性可分的情況
9.3.2 數據非線性可分的情況
9.4 使用頻繁模式分類
9.4.1 關聯分類
9.4.2 基於有區別力的頻繁模式分類
9.5 惰性學習法（或從近鄰學習）
9.5.1 k—最近鄰分類
9.5.2 基於案例的推理
9.6 其他分類方法
9.6.1 遺傳算法
9.6.2 粗糙集方法
9.6.3 模糊集方法
9.7 關於分類的其他問題
9.7.1 多類分類
9.7.2 半監督分類
9.7.3 主動學習
9.7.4 遷移學習
9.8 小結
9.9 習題
9.10 文獻注釋
……
第10章 聚類分析：基本概念和方法
第11章 高級聚類分析
第12章 離群點檢測
第13章 數據挖掘的發展趨勢和研究前沿
參考文獻
索引
中文版序
譯者序
譯者簡介
第3版序
第2版序
前言
致謝
作者簡介
第1章 引論
1.1 為什麼進行數據挖掘
1.1.1 邁向資訊時代
1.1.2 數據挖掘是信息技術的進化
1.2 什麼是數據挖掘
1.3 可以挖掘什麼類型的數據
1.3.1 資料庫數據
1.3.2 數據倉庫
1.3.3 事務數據
1.3.4 其他類型的數據
1.4 可以挖掘什麼類型的模式
1.4.1 類∕概念描述：特徵化與區分
1.4.2 挖掘頻繁模式、關聯和相關性
1.4.3 用於預測分析的分類與回歸
1.4.4 聚類分析
1.4.5 離群點分析
1.4.6 所有模式都是有趣的嗎
1.5 使用什麼技術
1.5.1 統計學
1.5.2 機器學習
1.5.3 資料庫系統與數據倉庫
1.5.4 信息檢索
1.6 面向什麼類型的套用
1.6.1 商務智慧型
1.6.2 Web搜尋引擎
1.7 數據挖掘的主要問題
1.7.1 挖掘方法
1.7.2 用戶界面
1.7.3 有效性和可伸縮性
1.7.4 資料庫類型的多樣性
1.7.5 數據挖掘與社會
1.8 小結
1.9 習題
1.10 文獻注釋
第2章 認識數據
2.1 數據對象與屬性類型
2.1.1 什麼是屬性
2.1.2 標稱屬性
2.1.3 二元屬性
2.1.4 序數屬性
2.1.5 數值屬性
2.1.6 離散屬性與連續屬性
2.2 數據的基本統計描述
2.2.1 中心趨勢度量：均值、中位數和眾數
2.2.2 度量數據散布：極差、四分位數、方差、標準差和四分位數極差
2.2.3 數據的基本統計描述的圖形顯示
2.3 數據可視化
2.3.1 基於像素的可視化技術
2.3.2 幾何投影可視化技術
2.3.3 基於圖符的可視化技術
2.3.4 層次可視化技術
2.3.5 可視化複雜對象和關係
2.4 度量數據的相似性和相異性
2.4.1 數據矩陣與相異性矩陣
2.4.2 標稱屬性的鄰近性度量
2.4.3 二元屬性的鄰近性度量
2.4.4 數值屬性的相異性：閔可夫斯基距離
2.4.5 序數屬性的鄰近性度量
2.4.6 混合類型屬性的相異性
2.4.7 餘弦相似性
2.5 小結
2.6 習題
2.7 文獻注釋
第3章 數據預處理
3.1 數據預處理：概述
3.1.1 數據質量：為什麼要對數據預處理
3.1.2 數據預處理的主要任務
3.2 數據清理
3.2.1 缺失值
3.2.2 噪聲數據
3.2.3 數據清理作為一個過程
3.3 數據集成
3.3.1 實體識別問題
3.3.2 冗餘和相關分析
3.3.3 元組重複
3.3.4 數據值衝突的檢測與處理
3.4 數據歸約
3.4.1 數據歸約策略概述
3.4.2 小波變換
3.4.3 主成分分析
3.4.4 屬性子集選擇
3.4.5 回歸和對數線性模型：參數化數據歸約
3.4.6 直方圖
3.4.7 聚類
3.4.8 抽樣
3.4.9 數據立方體聚集
3.5 數據變換與數據離散化
3.5.1 數據變換策略概述
3.5.2 通過規範化變換數據
3.5.3 通過分箱離散化
3.5.4 通過直方圖分析離散化
3.5.5 通過聚類、決策樹和相關分析離散化
3.5.6 標稱數據的概念分層產生
3.6 小結
3.7 習題
3.8 文獻注釋
第4章 數據倉庫與在線上分析處理
4.1 數據倉庫：基本概念
4.1.1 什麼是數據倉庫
4.1.2 運算元據庫系統與數據倉庫的區別
4.1.3 為什麼需要分離的數據倉庫
4.1.4 數據倉庫：一種多層體系結構
4.1.5 數據倉庫模型：企業倉庫、數據集市和虛擬倉庫
4.1.6 數據提取、變換和裝入
4.1.7 無資料庫
4.2 數據倉庫建模：數據立方體與OLAP
4.2.1 數據立方體：一種多維數據模型
4.2.2 星形、雪花形和事實星座：多維數據模型的模式
4.2.3 維：概念分層的作用
4.2.4 度量的分類和計算
4.2.5 典型的OLAP操作
4.2.6 查詢多維資料庫的星網查詢模型
4.3 數據倉庫的設計與使用
4.3.1 數據倉庫的設計的商務分析框架
4.3.2 數據倉庫的設計過程
4.3.3 數據倉庫用於信息處理
4.3.4 從在線上分析處理到多維數據挖掘
4.4 數據倉庫的實現
4.4.1 數據立方體的有效計算：概述
4.4.2 索引OLAP數據：點陣圖索引和連線索引
4.4.3 OLAP查詢的有效處理
4.4.4 OLAP伺服器結構：ROLAP、MOLAP、HOLAP的比較
4.5 數據泛化：面向屬性的歸納
4.5.1 數據特徵的面向屬性的歸納
4.5.2 面向屬性歸納的有效實現
4.5.3 類比較的面向屬性歸納
4.6 小結
4.7 習題
4.8 文獻注釋
第5章 數據立方體技術
5.1 數據立方體計算：基本概念
5.1.1 立方體物化：完全立方體、冰山立方體、閉立方體和立方體外殼
5.1.2 數據立方體計算的一般策略
5.2 數據立方體計算方法
5.2.1 完全立方體計算的多路數組聚集
5.2.2 BUC：從頂點方體向下計算冰山立方體
5.2.3 Star—Cubing：使用動態星樹結構計算冰山立方體
5.2.4 為快速高維OLAP預計算殼片段
5.3 使用探索立方體技術處理高級查詢
5.3.1 抽樣立方體：樣本數據上基於OLAP的挖掘
5.3.2 排序立方體：top—k查詢的有效計算
5.4 數據立方體空間的多維數據分析
5.4.1 預測立方體：立方體空間的預測挖掘
5.4.2 多特徵立方體：多粒度上的複雜聚集
5.4.3 基於異常的、發現驅動的立方體空間探查
5.5 小結
5.6 習題
5.7 文獻注釋
第6章 挖掘頻繁模式、關聯和相關性：基本概念和方法
6.1 基本概念
6.1.1 購物籃分析：一個誘發例子
6.1.2 頻繁項集、閉項集和關聯規則
6.2 頻繁項集挖掘方法
6.2.1 Apriori算法：通過限制候選產生髮現頻繁項集
6.2.2 由頻繁項集產生關聯規則
6.2.3 提高Apriori算法的效率
6.2.4 挖掘頻繁項集的模式增長方法
6.2.5 使用垂直數據格式挖掘頻繁項集
6.2.6 挖掘閉模式和極大模式
6.3 哪些模式是有趣的：模式評估方法
6.3.1 強規則不一定是有趣的
6.3.2 從關聯分析到相關分析
6.3.3 模式評估度量比較
6.4 小結
6.5 習題
6.6 文獻注釋
第7章 高級模式挖掘
7.1 模式挖掘：一個路線圖
7.2 多層、多維空間中的模式挖掘
7.2.1 挖掘多層關聯規則
7.2.2 挖掘多維關聯規則
7.2.3 挖掘量化關聯規則
7.2.4 挖掘稀有模式和負模式
7.3 基於約束的頻繁模式挖掘
7.3.1 關聯規則的元規則制導挖掘
7.3.2 基於約束的模式產生：模式空間剪枝和數據空間剪枝
7.4 挖掘高維數據和巨型模式
7.5 挖掘壓縮或近似模式
7.5.1 通過模式聚類挖掘壓縮模式
7.5.2 提取感知冗餘的top—k模式
7.6 模式探索與套用
7.6.1 頻繁模式的語義註解
7.6.2 模式挖掘的套用
7.7 小結
7.8 習題
7.9 文獻注釋
第8章 分類：基本概念
8.1 基本概念
8.1.1 什麼是分類
8.1.2 分類的一般方法
8.2 決策樹歸納
8.2.1 決策樹歸納
8.2.2 屬性選擇度量
8.2.3 樹剪枝
8.2.4 可伸縮性與決策樹歸納
8.2.5 決策樹歸納的可視化挖掘
8.3 貝葉斯分類方法
8.3.1 貝葉斯定理
8.3.2 樸素貝葉斯分類
8.4 基於規則的分類
8.4.1 使用IF—THEN規則分類
8.4.2 由決策樹提取規則
8.4.3 使用順序覆蓋算法的規則歸納
8.5 模型評估與選擇
8.5.1 評估分類器性能的度量
8.5.2 保持方法和隨機二次抽樣
8.5.3 交又驗證
8.5.4 自助法
8.5.5 使用統計顯著性檢驗選擇模型
8.5.6 基於成本效益和ROC曲線比較分類器
8.6 提高分類準確率的技術
8.6.1 組合分類方法簡介
8.6.2 裝袋
8.6.3 提升和AdaBoost
8.6.4 隨機森林
8.6.5 提高類不平衡數據的分類準確率
8.7 小結
8.8 習題
8.9 文獻注釋
第9章 分類：高級方法
9.1 貝葉斯信念網路
9.1.1 概念和機制
9.1.2 訓練貝葉斯信念網路
9.2 用後向傳播分類
9.2.1 多層前饋神經網路
9.2.2 定義網路拓撲
9.2.3 後向傳播
9.2.4 黑盒內部：後向傳播和可解釋性
9.3 支持向量機
9.3.1 數據線性可分的情況
9.3.2 數據非線性可分的情況
9.4 使用頻繁模式分類
9.4.1 關聯分類
9.4.2 基於有區別力的頻繁模式分類
9.5 惰性學習法（或從近鄰學習）
9.5.1 k—最近鄰分類
9.5.2 基於案例的推理
9.6 其他分類方法
9.6.1 遺傳算法
9.6.2 粗糙集方法
9.6.3 模糊集方法
9.7 關於分類的其他問題
9.7.1 多類分類
9.7.2 半監督分類
9.7.3 主動學習
9.7.4 遷移學習
9.8 小結
9.9 習題
9.10 文獻注釋
……
第10章 聚類分析：基本概念和方法
第11章 高級聚類分析
第12章 離群點檢測
第13章 數據挖掘的發展趨勢和研究前沿
參考文獻
索引
