数据挖掘与分析基础理论和算法综述

涵盖数据挖掘入门所需的理论知识，适合从事商业智能行业的人士学习。

应用比例 聚类 22% 直销 14% 交叉销售模型 12%

数据仓库与数据挖掘综述 作者：朱建秋 日期：2001年6月7日

威廉·H·因蒙, “建立数据仓库”, 约翰·威利父子公司, 1996。 约翰·拉德利, “运营数据存储：制定有效策略”, 数据仓库：专家实用建议, 普伦蒂斯·霍尔出版社, 纽泽西州恩格尔伍德悬崖, 1997。 斯蒂芬·R·加德纳, “建立数据仓库”, ACM 通讯, 1998 年 9 月, 第 41 卷, 第 9 期, 52-60。 道格拉斯·哈克尼, Http:// www.egltd.com, DW101：实用概述, 2001 彼得·R·米姆诺, “宏伟蓝图 - 布里欧如何在数据仓库市场中竞争”, 向布里欧技术公司的演示文稿 - 1998 年 8 月 4 日。 亚历克斯·伯森, 斯蒂芬·

本书全面讲述了数据挖掘的概念、方法、技术和最新研究进展，经过全面修订，重点讨论了数据预处理、频繁模式挖掘、分类和聚类等内容。还详细探讨了OLAP、离群点检测以及挖掘网络和复杂数据类型的方法，强调了其在各个重要应用领域中的应用。

数据挖掘作为一门从海量数据中提取有用信息的交叉学科，近年来发展迅速，并在各个领域得到广泛应用。将对数据挖掘技术进行全面概述，涵盖其起源、定义、发展历程、研究内容、主要功能、常用技术、常用工具以及未来研究方向等方面。 一、 数据挖掘概述 数据挖掘技术的起源与发展背景 数据挖掘的定义及内涵 数据挖掘的研究历史、现状及发展趋势 数据挖掘的研究内容、本质及与其他学科的关系 二、 数据挖掘技术 数据挖掘的主要功能和目标 常用的数据挖掘技术：关联规则挖掘、分类与预测、聚类分析、异常检测等 各种数据挖掘技术的优缺点比较 不同数据挖掘技术在实际应用中的选择策略 三、 数据挖掘工具与平台 常用的数据挖

数据学，由朱扬勇教授和熊赟教授编著，详细介绍了数据学的起源、基本概念和基本原理，涵盖了数据大爆炸、数据在自然界中的应用以及数据学的基础。书中还阐述了数据学的主要方法，包括大数据勘探、数据获取和整合、数据挖掘以及数据实验等。

本章介绍了数据挖掘的基础理论与实际应用，包括决策树分类、贝叶斯分类、K-最近邻分类、集成学习以及回归方法。

随着数据挖掘技术的进步，OLAP（在线分析处理）算法正逐步演化。OLAP主要限于少量维度和数据类型，由用户控制其流程，包括假设、验证和结论。而数据挖掘则在不明确假设的情况下，探索信息并发现知识，具有未知、有效和实用的特点。它能自动发现隐藏在数据中的规律，比OLAP更复杂和细致。数据挖掘的归纳过程通过发现未知的联系，丰富了分析的结论。