Data Mining:Buiding Competitive Advantage

第1部分 入门篇

第1章　数据挖掘引论

1．1　什么是数据挖掘？

1．2　为什么要进行数据挖掘？

1．2．1　使用数据挖掘的例子

1．3　实现数据挖掘的实例研究

1．3．1　数据挖掘技术在美国西部电信公司中的应用

1．3．2　数据挖掘在贝斯出口公司的应用

1．3．3　数据挖掘在路透社的应用

1．4　开展数据挖掘以提高企业竞争力的成功步骤

1．4．1　问题定义

1．4．2　发现信息

1．4．3　制定计划

1．4．4　采取行动

1．4．5　监测效果

1．4．6　对数据挖掘过程的讨论

1．5　有关隐私问题的说明

1．6　小结

第2章　数据挖掘入门

2．1　分类（有指导的学习）

.2．1．1　目标

2．1．2　研究主题

2．2　聚类研究（无指导的学习）

2．2．1　一个聚类的例子

2．3　可视化

2．4　关联（货篮子）分析

2．4．1　货篮子分析存在的问题

2．5　品种优化

2．5．1　销量：多样性和替换性

2．5．2　成本：故事的另一面

2．6　预测

2．6．1　相反的预测结果

2．6．2　胜出裕度

2．6．3　成本收益分析

2．7　评估

2．7．1　评估的例子

2．8　小结

第3章　数据挖掘过程

3．1　数据挖掘的方法

3．1．1　semma方法

3．2　实例

3．3　数据准备

3．3．1　获取数据

3．3．2　限定数据范围

3．3．3　数据质量

3．3．4　数据分组

3．3．5　数据导出

3．4　确定主题

3．4．1　了解主题的局限性

3．4．2　选择良好的主题

3．4．3　主题的类型

3．4．4　哪些因素需要分析？

3．4．5　数据抽样问题

3．5　读入数据并建立模型

3．5．1　关于模型的准确性

3．5．2　关于模型的可理解性

3．5．3　关于模型的性能

3．6　理解模型

3．6．1　模型概要

3．6．2　数据分布

3．6．3　验证

3．7　预测

3．7．1　其它候选结果

3．7．2　获选边际率

3．7．3　理解为什么会得到这样的预测结果

3．8　小结

第4章　数据挖掘算法

4．1　引言

4．2　决策树

4．2．1　决策树如何工作

4．2．2　决策树方法的优缺点

4．3　遗传算法

4．3．1　遗传算法如何工作

4．3．2　遗传算法的优缺点

4．4　神经网络

4．4．1　神经网络如何工作

4．4．2　建立不同类型的模型--无指导的学习

4．4．3　模型的优缺点

4．5　贝叶斯信任网络

4．5．1　贝叶斯信任网络如何工作

4．5．2　贝叶斯信任网络的优缺点

4．6　统计分析

4．6．1　辨别分析

4．6．2　回归建模

4．6．3　优点和缺点

4．7　关联分析的高级算法

4．7．1　发现关联的更好方法

4．7．2　统计相关以外的

4．7．3　理解关联

4．7．4　有效可行的市场篮子分析

4．8　品种优化的高级算法

4．8．1　成本：像abc一样简单？

4．8．2　相关成本

4．8．3　商业目标

4．9　小结

第5章　数据挖掘市场

5．1　简介（趋势）

5．1．1 数据仓库日益普及

5．1．2 internet数据挖掘

5．1．3 eis工具供应商也在集成数据挖掘功能

5．1．4　信息访问更容易

5．1．5　数据挖掘供应商更注重纵向市场

5．2　数据挖掘工具供应商

5．3　可视化

5．3．1　数据可视化的例子

5．3．2　供应商列表

5．4　有用的网站／可获得的商业代码

5．4．1　数据挖掘网站

5．4．2　查找数据集

5．4．3　源代码

5．5　用于数据挖掘的数据源

5．6　小结

第2部分　工具篇

第6章　决策树方法在数据挖掘中的应用

6．1　引言

6．1．1　对决策树方法的进一步说明

6．1．2　决策树方法的应用状况

6．2　数据准备

6．3　定义研究对象

6．3．1　定义挖掘目标

6．3．2　启动

6．3．3　设置因变量

6．4　建立模型

6．5　理解模型

6．5．1　观察其它分叉

6．5．2　进入特定分叉

6．5．3　扩展模型树

6．5．4　强制分叉

6．5．5　对模型进行验证

6．5．6　重新定义挖掘对象

6．5．7　模型树的自动扩展

6．5．8　数据分布

6．6　预测

6．7　小结

第7章　代理网络技术应用范例

7．1　简介

7．1．1　rightpoint公司相关技术说明

7．1．2　如何使用rightpoint

7．2　准备数据

7．3　定义研究对象

7．3．1　定义目标

7．3．2　选择因变量

7．3．3　开始一次研究

7．3．4　开始运行rightpoint

7．3．5　建立数据规格

7．4　读取数据准立发规模型

7．5　理解模型

7．5．1　评估

7．5．2　改进模型

7．5．3　成本收益分析

7．6　预测

7．6．1　假设分析

7．6．2　批预测

7．7　小结

第3部分　应用篇

第8章　数据挖掘在若干行业中的应用

8．1　数据挖掘在银行和金融部门的应用

8．1．1　股票预测

8．1．2　银行业的跨区销售和客户保持

8．2　数据挖掘在零售部门的应用

8．2．1　一个数据挖掘在财产评估中应用的例子

8．2．2　零售业中客户收益率分析的一个例子

8．3　数据挖掘在保健部门的应用

8．3．1　数据可视化在医疗业的应用

8．4　数据挖掘在电信部门的应用

8．4．1　电信业的数据挖掘研究类型

8．5　小结

第9章　基于数据仓库的数据挖掘

9．1　引言

9．1．1　数据获取

9．1．2　数据精炼

9．1．3　数据仓库设计

9．1．4　数据仓库和数据集市的实现

9．2　数据仓库在银行金融领域中的应用实例

9．2．1　事务型数据库系统与数据仓库

9．2．2　样例数据模型

9．2．3　预测信用卡欺诈

9．2．4　在客户保持中的应用

9．2．5　数据趋势分析

9．3　数据仓库在零售领域中的应用实例

9．3．1　样例数据模型

9．3．2　哪种类型的客户会购买哪种类型的产品

9．3．3　有关销售区域分析和其它方面的例子

9．4　数据仓库在医疗保健领域中的应用实例

9．4．1　样例数据模型

9．4．2　在医疗保健领域中进行数据挖掘的例子

9．4．3　有关在样例数据中增加病人信用数据的讨论

9．5　数据仓库在电信领域中的应用实例

9．5．1　样例数据模型

9．5．2　数据收集

9．5．3　创建数据集

9．6　小结

附录a　数据挖掘产品制造商

a．1　数据挖掘提供商

a．2　可视化工具

a．3　有用的web站点

a．4　信息访问提供商

a．5　数据仓库软件制造商

附录b　演示程序的安装

b．1 angoss knowledge seeker演示版的安装

b．2 rightpoint datacrruncher演示版的安装