| 第一章 KDD和DM概述 | 第1-21页 |
| ·KDD的发展概况 | 第13页 |
| ·KDD的定义 | 第13-14页 |
| ·数据挖掘的基本过程 | 第14-15页 |
| ·数据挖掘的分类 | 第15-16页 |
| ·KDD的相关技术 | 第16-19页 |
| ·决策树 | 第16-17页 |
| ·覆盖正例、排斥反例方法 | 第17页 |
| ·粗糙集 | 第17-18页 |
| ·人工神经网络 | 第18页 |
| ·遗传算法 | 第18页 |
| ·统计学方法 | 第18-19页 |
| ·概念树方法 | 第19页 |
| ·KDD的应用 | 第19页 |
| ·数据挖掘新动态 | 第19-20页 |
| ·本文结构 | 第20页 |
| ·本章小结 | 第20-21页 |
| 第二章 粗集理论概述 | 第21-29页 |
| ·引言 | 第21页 |
| ·粗集的特点 | 第21页 |
| ·粗集理论的基本框架 | 第21-24页 |
| ·知识表达系统 | 第21-22页 |
| ·知识、分类及不可分辨关系 | 第22页 |
| ·边界与粗糙度 | 第22-23页 |
| ·知识约简与核 | 第23-24页 |
| ·基于粗集理论的数据约简方法 | 第24页 |
| ·粗集的扩展模型 | 第24-27页 |
| ·代数粗集模型 | 第25-26页 |
| ·概率粗集模型 | 第26-27页 |
| ·基于粗集的研究方向 | 第27-28页 |
| ·本章小结 | 第28-29页 |
| 第三章 数据预处理 | 第29-41页 |
| ·引言 | 第29页 |
| ·数据预处理的基本任务 | 第29-30页 |
| ·数据预处理方法 | 第30-33页 |
| ·数据缺损处理方法 | 第31页 |
| ·噪声数据处理 | 第31-32页 |
| ·数据规范化处理方法 | 第32-33页 |
| ·其它数据预处理方法 | 第33页 |
| ·数据离散化 | 第33-37页 |
| ·等距离划分、等频率划分 | 第34页 |
| ·NaiveScaler算法 | 第34页 |
| ·SemiNaiveScaler算法 | 第34页 |
| ·布尔逻辑和粗集理论相结合的离散化算法 | 第34-35页 |
| ·基于属性重要性的离散化算法 | 第35页 |
| ·实例学习 | 第35-37页 |
| ·数据泛化 | 第37-40页 |
| ·概念树生成 | 第38页 |
| ·数值概念树生成 | 第38页 |
| ·类别概念树生成 | 第38-39页 |
| ·实例 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第四章 属性约简 | 第41-54页 |
| ·引言 | 第41页 |
| ·属性选择与数据约简 | 第41-43页 |
| ·约简的基本算法 | 第41-42页 |
| ·属性的重要性 | 第42页 |
| ·遗传算法 | 第42页 |
| ·复合系统的约简 | 第42页 |
| ·扩展法则 | 第42-43页 |
| ·属性约简的几种算法 | 第43-50页 |
| ·求取核的算法 | 第43页 |
| ·从差别矩阵中求核 | 第43-45页 |
| ·一般约简 | 第45页 |
| ·基于逻辑运算的属性约简算法 | 第45-46页 |
| ·基于频度的属性约简 | 第46-47页 |
| ·基于属性依赖度的属性约简 | 第47-48页 |
| ·基于信息熵的属性约简 | 第48-50页 |
| ·后删除属性约简算法 | 第50-53页 |
| ·算法及其分析 | 第51-52页 |
| ·实例 | 第52-53页 |
| ·本章小结 | 第53-54页 |
| 第五章 知识获取的方法研究 | 第54-64页 |
| ·引言 | 第54页 |
| ·最简规则提取算法 | 第54页 |
| ·典型规则提取算法 | 第54-55页 |
| ·决策树 | 第55-59页 |
| ·决策树的概念 | 第55页 |
| ·决策树生成 | 第55-57页 |
| ·基于粗集的决策树建立 | 第57-59页 |
| ·利用Rosetta软件学习算法 | 第59-60页 |
| ·基于Rough Set的数据挖掘工具的设计与实现 | 第60-63页 |
| ·系统设计思想 | 第60页 |
| ·实例分析 | 第60-63页 |
| ·本章小结 | 第63-64页 |
| 第六章 结束语 | 第64-66页 |
| ·工作总结 | 第64页 |
| ·进一步做的工作 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 攻读硕士期间发表的论文 | 第69页 |