| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 引言 | 第9-13页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 主要研究内容 | 第11-12页 |
| 1.4 本文的组织结构 | 第12-13页 |
| 第2章 数据挖掘概述 | 第13-19页 |
| 2.1 数据挖掘的概念 | 第13页 |
| 2.2 数据挖掘的基本过程 | 第13-15页 |
| 2.3 数据挖掘的常用方法 | 第15-17页 |
| 2.4 数据挖掘的应用现状 | 第17-19页 |
| 第3章 母婴用品销售分析系统设计与实现 | 第19-34页 |
| 3.1 应用背景 | 第19-21页 |
| 3.1.1 企业管理模式 | 第19页 |
| 3.1.2 门店的商品布局 | 第19-20页 |
| 3.1.3 现有问题分析 | 第20-21页 |
| 3.1.4 数据挖掘的业务目标 | 第21页 |
| 3.2 系统实现流程及开发环境 | 第21-22页 |
| 3.3 系统设计目标 | 第22页 |
| 3.4 系统功能模块介绍 | 第22-23页 |
| 3.5 系统实现 | 第23-34页 |
| 3.5.1 数据预处理子系统 | 第23-26页 |
| 3.5.2 商品销售统计分析子系统 | 第26-29页 |
| 3.5.3 商品关联销售分析子系统 | 第29-30页 |
| 3.5.4 新品销售预测分析子系统 | 第30-34页 |
| 第4章 优化 Apriori 算法在母婴用品商品陈列中的应用 | 第34-45页 |
| 4.1 相关概念及 Apriori 算法介绍 | 第34-35页 |
| 4.1.1 关联规则的相关概念 | 第34-35页 |
| 4.1.2 频繁项集挖掘 Apriori 算法介绍 | 第35页 |
| 4.2 Apriori 算法的优化 | 第35-41页 |
| 4.3 优化 Apriori 算法在实际中的应用 | 第41-45页 |
| 4.3.1 数据准备 | 第41-42页 |
| 4.3.2 计算频繁项集 | 第42-43页 |
| 4.3.3 应用结果分析 | 第43-45页 |
| 第5章 决策树 ID3 算法在母婴用品新品预测中的应用 | 第45-53页 |
| 5.1 决策树的概念 | 第45页 |
| 5.2 ID3 算法描述 | 第45-47页 |
| 5.3 ID3 算法在实际中的应用 | 第47-53页 |
| 第6章 总结与展望 | 第53-55页 |
| 参考文献 | 第55-57页 |
| 致谢 | 第57-58页 |
| 攻读硕士学位期间取得的科研成果 | 第58页 |
