| 第1章 绪论 | 第1-18页 |
| 1．1 研究背景和意义 | 第9-10页 |
| 1．2 数据挖掘综述 | 第10-16页 |
| 1．2．1 什么是数据挖掘 | 第10-11页 |
| 1．2．2 数据挖掘的三大技术支柱 | 第11-12页 |
| 1．2．3 数据挖掘的研究现状和发展趋势 | 第12-13页 |
| 1．2．4 数据挖掘过程简介 | 第13-14页 |
| 1．2．5 数据挖掘功能——可以挖掘什么类型的模式 | 第14-16页 |
| 1．3 项目背景和主要研究内容 | 第16-18页 |
| 1．3．1 项目背景 | 第16-17页 |
| 1．3．2 主要研究内容 | 第17-18页 |
| 第2章 数据挖掘中的分类 | 第18-28页 |
| 2．1 分类的基本技术 | 第18-21页 |
| 2．1．1 数据分类的过程 | 第18-19页 |
| 2．1．2 分类数据的预处理 | 第19-20页 |
| 2．1．3 分类方法的比较和评估标准 | 第20-21页 |
| 2．2 几种典型的分类算法 | 第21-25页 |
| 2．2．1 决策树 | 第21-22页 |
| 2．2．2 k-最近邻分类 | 第22-23页 |
| 2．2．3 神经网络 | 第23-25页 |
| 2．3 急切分类和懒散分类 | 第25-27页 |
| 2．3．1 急切分类 | 第25-26页 |
| 2．3．2 懒散分类 | 第26页 |
| 2．3．3 急切分类与懒散分类相结合的研究 | 第26-27页 |
| 2．4 本章小结 | 第27-28页 |
| 第3章 决策树方法的研究 | 第28-39页 |
| 3．1 决策树方法 | 第28-31页 |
| 3．1．1 决策树方法概述 | 第28-29页 |
| 3．1．2 决策树方法的应用状况 | 第29页 |
| 3．1．3 基本的决策树算法 | 第29-30页 |
| 3．1．4 决策树算法的进一步研究重点 | 第30-31页 |
| 3．2 懒散的决策树算法 | 第31-38页 |
| 3．2．1 懒散的决策树算法的思想 | 第31-32页 |
| 3．2．2 懒散的决策树算法具体说明 | 第32-37页 |
| 3．2．3 网络环境下基于B／S模式的算法实现与应用 | 第37-38页 |
| 3．3 本章小结 | 第38-39页 |
| 第4章 人工神经网络的研究 | 第39-63页 |
| 4．1 人工神经网络 | 第39-46页 |
| 4．1．1 人工神经网络的发展与现状 | 第39-41页 |
| 4．1．2 人工神经网络的基本处理单元 | 第41-43页 |
| 4．1．3 人工神经网络的若干学习规则 | 第43-46页 |
| 4．2 感知器模型 | 第46-51页 |
| 4．2．1 感知器基本模型的构造 | 第46-47页 |
| 4．2．2 感知器基本模型的学习算法 | 第47页 |
| 4．2．3 感知器基本模型的几何意义及其局限性 | 第47-49页 |
| 4．2．4 感知器模型的推广 | 第49-51页 |
| 4．3 代数超曲面神经网络 | 第51-62页 |
| 4．3．1 代数超曲面神经网络模型的构造及其几何意义 | 第52-54页 |
| 4．3．2 代数超曲面神经网络学习算法的具体实现 | 第54-58页 |
| 4．3．3 代数超曲面神经网络学习算法的实验结果 | 第58-60页 |
| 4．3．4 代数超曲面神经网络模型的进一步研究 | 第60-62页 |
| 4．4 本章小结 | 第62-63页 |
| 第5章 结论与展望 | 第63-64页 |
| 参考文献 | 第64-66页 |
| 攻读硕士学位期间参加的主要科研项目 | 第66页 |
| 攻读硕士学位期间发表的论文 | 第66-67页 |
| 致谢 | 第67页 |
