数据挖掘：概念，模型，方法，探讨了数据挖掘和算法的原则，然后介绍了代表国家的最先进的方法和算法起源于不同的学科，如统计，机器学习，神经网络，模糊逻辑和进化计算。

第1章 数据挖掘的概念

1.1 概述
1.2 数据挖掘的起源
1.3 数据挖掘过程
1.3.1 陈述问题和阐明假设
1.3.2 数据收集
1.3.3 数据预处理
1.3.4 模型评估
1.3.5 解释模型和得出结论
1.4 大型数据集
1.5 数据仓库
1.6 本书的结构
1.7 复习题
1.8 参考书目

第2章 数据准备

.
2.1 原始数据的表述
2.2 原始数据的特性
2.3 原始数据的转换
2.4 丢失数据
2.5 时间相关数据
2.6 异常点分析
2.7 复习题
2.8 参考书目

第3章 数据归约

3.1 大型数据集的维度
3.2 特征归约
3.3 特征排列的熵度量
3.4 主成分分析
3.5 值归约
3.6 特征离散化：ChiMerge技术
3.7 案例归约
3.8 复习题
3.9 参考书目

第4章 从数据中学习

4.1 机器学习
4.2 统计学习原理
4.3 学习方法的类型
4.4 常见的学习任务
4.5 模型估计
4.6 复习题
4.7 参考书目

第5章 统计方法

5.1 统计推断
5.2 评测数据集的差异
5.3 贝叶斯定理
5.4 预测回归
5.5 方差分析
5.6 对数回归
5.7 对数-线性模型
5.8 线性判别分析
5.9 复习题
5.10 参考书目

第6章 聚类分析

6.1 聚类概念
6.2 相似度的度量
6.3 凝聚层次的聚类
6.4 分区聚类
6.5 增量聚类
6.6 复习题
6.7 参考书目

第7章 决策树和决策规则

7.1 决策树
7.2 C4.5算法：生成一个决策树
7.3 未知属性值
7.4 修剪决策树
7.5 C4.5算法：生成决策规则
7.6 决策树和决策规则的局限性
7.7 关联分类方法
7.8 复习题
7.9 参考书目

第8章 关联规则

8.1 购物篮分析
8.2 APRIORI算法
8.3 从频繁项集得到关联规则
8.4 提高APRIORI算法的效率
8.5 频繁模式增长方法（FP-增长方法）
8.6 多维关联规则挖掘
8.7 WEB挖掘
8.8 HITS和LOGSOM算法
8.9 挖掘路径遍历模式
8.10 文本挖掘
8.11 复习题
8.12 参考书目

第9章 人式神经网络

9.1 人工神经元的模型
9.2 人工神经网络的结构
9.3 学习过程
9.4 学习任务
9.5 多层感知机
9.6 竞争网络和竞争学习
9.7 复习题
9.8 参考书目

第10章 遗传算法

10.1 遗传算法的基本原理
10.2 用遗传算法进行优化
10.3 遗传算法的一个简单例证
10.4 图式（SCHEMATA）
10.5 旅行推销员问题
10.6 使用遗传算法的机器学习
10.7 复习题
10.8 参考书目

第11章 模糊集和模糊逻辑

11.1 模糊集
11.2 模糊集的运算
11.3 扩展原理和模糊关系
11.4 模糊逻辑和模糊推理系统
11.5 多因子评价
11.6 从数据中提取模糊模型
11.7 复习题
11.8 参考书目

第12章 可视化方法

12.1 感知和可视化
12.2 科学可视化和信息可视化
12.3 平行坐标
12.4 放射性可视化
12.5 KOHONEN自组织映射
12.6 数据挖掘的可视化系统
12.7 复习题
12.8 参考书目

第13章 参考书目