| 第一章 引言 | 第1-9页 |
| ·目标的确定 | 第7页 |
| ·本文解决的主要问题及其关键技术 | 第7-8页 |
| ·数据来源 | 第8-9页 |
| 第二章 数据挖掘基础知识及其在人才认知系统中的应用 | 第9-17页 |
| ·数据挖掘概述 | 第9-12页 |
| ·数据挖掘的定义 | 第9页 |
| ·数据挖掘的任务及其应用 | 第9-10页 |
| ·数据挖掘的方法及其应用 | 第10-12页 |
| ·数据挖掘系统的体系结构 | 第12-17页 |
| ·典型的数据挖掘系统体系结构 | 第12-13页 |
| ·人才认知系统的体系结构 | 第13-15页 |
| ·数据挖掘引擎的处理过程 | 第15-17页 |
| 第三章 系统数据编码及数据预处理 | 第17-23页 |
| ·系统数据编码 | 第17-20页 |
| ·数据挖掘中的数据类型 | 第17页 |
| ·人才认知系统的编码方案 | 第17-20页 |
| ·数据选择 | 第20页 |
| ·数据预处理 | 第20-23页 |
| ·数据归约 | 第21页 |
| ·数据变换 | 第21-23页 |
| 第四章 聚类分析 | 第23-44页 |
| ·聚类分析的定义及评价标准 | 第23-25页 |
| ·什么是聚类分析 | 第23-24页 |
| ·聚类分析的评价标准 | 第24-25页 |
| ·主要的聚类方法 | 第25-28页 |
| ·划分的方法(Partitioning Method) | 第26页 |
| ·层次的方法(Hierarchical Method) | 第26-27页 |
| ·基于密度(Density-Based)的方法 | 第27页 |
| ·基于网格(Grid-Based)的方法 | 第27页 |
| ·基于模型(Model-Based)的方法 | 第27-28页 |
| ·聚类方法在人才认知系统中的应用 | 第28-32页 |
| ·相异度的计算 | 第28-29页 |
| ·k-中心点方法及其改进 | 第29-32页 |
| ·人才认知数据挖掘系统的实现 | 第32-44页 |
| ·聚类挖掘向导的实现 | 第32-39页 |
| ·结果分析 | 第39-44页 |
| 第五章 回归分析 | 第44-50页 |
| ·一元线性回归 | 第44-45页 |
| ·一元线性回归模型 | 第44页 |
| ·一元线性回归方程的求解 | 第44-45页 |
| ·回归方程的显著性检验 | 第45-46页 |
| ·相关系数法 | 第45页 |
| ·方差分析法(F检验) | 第45-46页 |
| ·线性回归分析在人才认知系统中的应用 | 第46-49页 |
| ·综合评分 | 第46页 |
| ·回归方程结果及显著性检验分析 | 第46-49页 |
| ·回归分析的后续研究 | 第49-50页 |
| 第六章 结束语 | 第50-53页 |
| ·数据挖掘的现状及发展方向 | 第50-52页 |
| ·人才认知系统中的问题及展望 | 第52-53页 |
| 附录 | 第53-91页 |
| 参考文献 | 第91-93页 |
| 后记 | 第93页 |
