| 1.基于时序和极大团的关联规则数据挖掘方法的研究 | 第1-51页 |
| 第一章 概述 | 第8-11页 |
| ·KDD的简介 | 第8页 |
| ·关联知识挖掘 | 第8-11页 |
| ·基本概念和问题描述 | 第9页 |
| ·关联规则挖掘的一般过程 | 第9页 |
| ·关联规则的技术标准 | 第9-11页 |
| 第二章 时序逻辑及其模式 | 第11-17页 |
| ·数据库的预处理 | 第11页 |
| ·基本概念和描述 | 第11-16页 |
| ·本章小结 | 第16-17页 |
| 第三章 极大团及其算法研究 | 第17-24页 |
| ·极大团的基本概念及其算法 | 第17-22页 |
| ·本章小结 | 第22-24页 |
| 第四章 基于时序逻辑的概率理论研究 | 第24-38页 |
| ·有关概率方面的基本概念 | 第24-25页 |
| ·等概率的数学模型 | 第25-32页 |
| ·不等概率的数学模型 | 第32-37页 |
| ·本章小结 | 第37-38页 |
| 第五章 基于极大频繁项目集的关联规则的生成算法 | 第38-40页 |
| ·关联规则算法 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第六章 实验分析 | 第40-46页 |
| 第七章 结束语 | 第46-47页 |
| 【参考文献】 | 第47-51页 |
| 2.数据挖掘的主要技术及其应用的研究 | 第51-111页 |
| 第一章 数据挖掘概述 | 第56-59页 |
| ·KDD的简介 | 第56页 |
| ·KDD过程如图1-1所示,由以下步骤组成 | 第56-57页 |
| ·数据挖掘定义 | 第57页 |
| ·数据挖掘的发展趋势 | 第57-59页 |
| 第二章 数据挖掘技术的研究 | 第59-82页 |
| ·数据挖掘的基本过程 | 第59页 |
| ·数据挖掘的主要任务 | 第59页 |
| ·典型的数据挖掘系统具有以下重要成分,见图2-1： | 第59-61页 |
| ·数据挖掘技术分类问题 | 第61-82页 |
| ·分类 | 第63-72页 |
| ·决策树 | 第63-65页 |
| ·神经网络 | 第65-68页 |
| ·遗传算法与进化理论 | 第68-69页 |
| ·贝叶斯分类 | 第69-71页 |
| ·类比学习 | 第71页 |
| ·粗糙集方法 | 第71-72页 |
| ·模糊集方法 | 第72页 |
| ·聚类 | 第72-82页 |
| ·基于划分(Partitioning)的聚类方法 | 第73-75页 |
| ·k-平均算法 | 第73-74页 |
| ·PAM(Partitioning around Medoid,围绕中心点的划分)算法 | 第74-75页 |
| ·基于层次的聚类方法(hierarchical method) | 第75-76页 |
| ·AGNES算法 | 第75-76页 |
| ·DIANA(Divisive ANAlysis)算法 | 第76页 |
| ·基于密度的方法(density-based method) | 第76-78页 |
| ·OPTICS算法 | 第78页 |
| ·基于网格的方法(grid-basedmethod) | 第78-80页 |
| ·STING(Statistical Information Grid,统计信息网格) | 第78-79页 |
| ·WaveCluster(采用小波变化聚类)算法 | 第79页 |
| ·CLIQUE(聚类高维空间)算法 | 第79-80页 |
| ·基于模型的聚类方法 | 第80-82页 |
| ·COBWEB算法 | 第80-82页 |
| 第三章 知识发现及其技术 | 第82-103页 |
| ·关联知识挖掘 | 第82-94页 |
| ·基本概念和问题描述 | 第82-83页 |
| ·关联规则挖掘的一般过程： | 第83页 |
| ·关联规则的技术标准 | 第83-85页 |
| ·关联规则的算法 | 第85-94页 |
| ·Apriori算法 | 第85-87页 |
| ·Apriori算法的改进 | 第87-88页 |
| ·基于数据分割(Partition)的方法 | 第87页 |
| ·基于散列(Hash)的方法 | 第87页 |
| ·基于采样(Sample)的方法 | 第87-88页 |
| ·基于事务压缩的方法： | 第88页 |
| ·基于动态项集计数的方法： | 第88页 |
| ·FP-tree算法 | 第88-91页 |
| ·增量式更新算法 | 第91-92页 |
| ·并行发现算法 | 第92页 |
| ·带有约束的数据挖掘算法 | 第92-93页 |
| ·时态约束的关联规则挖掘算法 | 第93-94页 |
| ·多层次关联规则挖掘算法 | 第94页 |
| ·预测型知识挖掘 | 第94-95页 |
| ·时序(Time Series)数据和序列(Sequence)数据的挖掘 | 第94-95页 |
| ·特异型知识挖掘 | 第95-97页 |
| ·孤立点分析 | 第95-97页 |
| ·基于统计的孤立点检测 | 第96页 |
| ·基于距离的孤立点检测 | 第96-97页 |
| ·基于偏离的孤立点检测 | 第97页 |
| ·空间数据挖掘 | 第97-103页 |
| ·空间数据挖掘的基础 | 第98-99页 |
| ·空间数据挖掘方法 | 第99-100页 |
| ·统计空间分析方法 | 第100页 |
| ·规则归纳 | 第100-101页 |
| ·聚类方法 | 第101页 |
| ·模糊集 | 第101-102页 |
| ·分类法 | 第102-103页 |
| ·空间决策树 | 第102-103页 |
| 第四章 数据挖掘应用的成功案例分析 | 第103-105页 |
| ·数据挖掘在体育竞技中的应用 | 第103页 |
| ·数据挖掘在科学探索中的应用 | 第103页 |
| ·数据挖掘在金融方面的应用 | 第103-104页 |
| ·数据挖掘在零售业中的应用 | 第104页 |
| ·数据挖掘在电信中的应用 | 第104-105页 |
| [参考文献] | 第105-111页 |
| 3. The Research Based on Time Series and Maximum Clique for Data Mining of Association Rules | 第111-166页 |
| CHAPTER 1 INTRODUCTION | 第119-123页 |
| ·KDD INTRODUCTION | 第119-120页 |
| ·THE MINING OF ASSOCIATION KNOWLEDGE | 第120-123页 |
| ·Basic Concepts and Question Descriptions | 第120-121页 |
| ·the General Process of Association Rule Data Mining | 第121页 |
| ·Technical Standard of Association Rules | 第121-123页 |
| CHAPTER 2 THE KNOWLEDGE OF TIME SERIES LOGIC | 第123-130页 |
| ·PRETREATMENTS OF DATABASES | 第124页 |
| ·BASIC CONCEPTS AND DESCRIPTION | 第124-129页 |
| ·THE CHAPTER SUBTOTAL | 第129-130页 |
| CHAPTER 3 THE RESEARCH OF MAXIMUM CLIQUE AND ITS ALGORITHM | 第130-138页 |
| ·THE MAXIMUM CLIQUE'S BASIC CONCEPT AND ITS ALGORITHMS | 第130-137页 |
| ·THE CHAPTER SUBTOTAL | 第137-138页 |
| CHAPTER 4 THE RESEARCH BASED ON TIME SERIES LOGIC PROBABILITY THEORY | 第138-154页 |
| ·THE KNOWLEDGE OF PROBABILITY | 第138-139页 |
| ·THE PROBABILITY MATHEMATICAL MODEL IN EQUAL PROBABILITY SITUATION | 第139-147页 |
| ·THE PROBABILITY MATHEMATICAL MODEL IN UNEQUAL PROBABILITY SITUATION | 第147-152页 |
| ·THE CHAPTER SUBTOTAL | 第152-154页 |
| CHAPTER 5 PRODUCING ALGORITHM OF THE ASSOCIATION RULE BASED ON THE MAXIMUM FREQUENT ITEM SET | 第154-157页 |
| ·ASSOCIATION RULE ALGORITHM | 第154-156页 |
| ·THE CHAFFER SUBTOTAL | 第156-157页 |
| CHAPTER 6 THE EXPERIMENT AND THE ANALYSIS | 第157-164页 |
| CHAPTER 7 THE CONCLUDING REMARK | 第164-166页 |
| 4. The Research of Data Mining Main Technology and its Application | 第166-241页 |
| CHAFFER 1 DATA MINING SUMMARY | 第172-175页 |
| ·KDD INTRODUCTION | 第172页 |
| ·KDD PROCESS IS COMPOSED BYTHE STEP LIKE CHART 1-1 SHOWING THAT: | 第172-173页 |
| ·THE DEFINITION OF DATA MINING | 第173-174页 |
| ·THE DEVELOPMENT TENDENCY OF DATA MINING | 第174-175页 |
| ChAPTER 2 DATA MINING TECHNOLOGY RESEARCH | 第175-208页 |
| ·THE PROCESS OF DATA MINING: | 第175-176页 |
| ·PRIMARY MISSION OF DATA MINING | 第176页 |
| ·MODEL OF DATA MINING SYSTEMS HAS THE IMPORTANT INGREDIENT, SEEING THE FIG. 2-1 | 第176-177页 |
| ·DATA MINING'S TECHNICAL CLASSIFICATION QUESTION | 第177-208页 |
| ·Classifications | 第180-194页 |
| ·Decision tree | 第180-184页 |
| ·Nerve Networks | 第184-188页 |
| ·Genetic Algorithms and Evolution Theory | 第188-189页 |
| ·Baye Classifies | 第189-192页 |
| ·Analogy Studies | 第192-193页 |
| ·Rough Volume of Methods | 第193-194页 |
| ·Fuzzy Sets Methods | 第194页 |
| ·Cluster | 第194-208页 |
| ·Based on Division (Partitioning) Gathers a Kind of Method | 第195-198页 |
| ·k-average Algorithm | 第196-197页 |
| ·PAM (Partitioning around Medoid, Revolves the central point the division) the Algorithm | 第197-198页 |
| ·Gathers a Kind of Method Based on the Level (Hierarchical Method) | 第198-200页 |
| ·AGNES Algorithm | 第199-200页 |
| ·DIANA(Divisive ANAlysis)algorithm | 第200页 |
| ·Based on Density Method (Density-Based Method) | 第200-203页 |
| ·OPTICS Algorithm | 第203页 |
| ·Based on Grid Method (Grid-Based Method) | 第203-206页 |
| ·STING (Statistical Information Grid, Counts Information Grid) | 第204页 |
| ·WaveCluster Algorithm (Uses Wavelet Change to Gather Kind) | 第204-205页 |
| ·CLIOUE (Gathers the Kind of High Uygur Space) the Algorithm | 第205-206页 |
| ·a Kind of Gathered Method Based on the Model | 第206-208页 |
| ·COBWEB Algorithm | 第206-208页 |
| CHAPTER 3 KNOWLEDGE DISCOVERYAND ITS TECHNOLOGY | 第208-238页 |
| ·MINING OF ASSOCIATION KNOWLEDGE | 第208-225页 |
| ·Basic Concepts and Question Description | 第208-209页 |
| ·the General Process of Association Rule Data Mining: | 第209页 |
| ·Technical Standard of Association Rules | 第209-212页 |
| ·the Association Rule Algorithm | 第212-225页 |
| ·Apriori Algorithm | 第212-214页 |
| ·the Improvement of Apriori Algorithm | 第214-216页 |
| ·the Method Basing on Data Partition (Partition) | 第214-215页 |
| ·the Method Basing on Hash (Hash) | 第215页 |
| ·the Method Based on Sample (Sample) | 第215-216页 |
| ·the Methods Which Based on Transaction Compression: | 第216页 |
| ·the Method Which Based on the Dynamic Counting of Item Set: | 第216页 |
| ·FP-tree Algorithm | 第216-220页 |
| ·Increasing Type Renewal Algorithm | 第220-222页 |
| ·the Algorithms of Parallel Discoveries | 第222页 |
| ·the Data Mining Algorithm with the Restraint | 第222-224页 |
| ·Association Rule Mining Algorithm with Tense Restraints | 第224-225页 |
| ·Multi-level Association Rules Mining Algorithm | 第225页 |
| ·THE PREDICTING KNOWLEDGE MINING | 第225-227页 |
| ·The Mining of the Time Series Data (Time Series) and Sequence Data (Sequence) | 第226-227页 |
| ·THE EXCEPTION KNOWLEDGE MINING | 第227-229页 |
| ·the Analyses of the Outlier Points | 第227-229页 |
| ·Outlier Point Examination Basing on Statistic | 第227-228页 |
| ·the Outlier Point Examination Basing on Distance | 第228-229页 |
| ·Deviation-based Outlier Detection | 第229页 |
| ·THE SPATIAL DATA MINING | 第229-238页 |
| ·the Foundation of the Spatial Data Mining | 第231-233页 |
| ·the Method of the Spatial Data Mining | 第233-234页 |
| ·The Statistical Spatial Analysis Method | 第233-234页 |
| ·Rule's Induction | 第234-235页 |
| ·Cluster Method | 第235-236页 |
| ·Fuzzy Sets | 第236页 |
| ·Classification Method | 第236-238页 |
| ·Spatial Decision Tree | 第237-238页 |
| CHAPTER 4 TRE SUCCESSFUL CASE ANALYSIS OF DATA MININGAPPLICATION | 第238-241页 |
| ·THE APPLICATION OF DATA MINING IN SPORTS ATHLETICS | 第238页 |
| ·THE APPLICATION OF DATA MINING IN SCIENCE EXPLORATION | 第238-239页 |
| ·THE APPLICATION OF DATA MINING IN FINANCIAL | 第239页 |
| ·THE APPLICATION OF DATAMINING IN RETAIL TRADE | 第239-240页 |
| ·THE APPLICATION OF DATA MINING | 第240-241页 |
| 致谢 | 第241页 |
