数据挖掘是一个多领域交叉的研究与应用领域，涉及的领域包括：数据库技术、人工智能、机器学习、神经网络、统计学、模式识别、信息检索、高性能计算等。本书主要介绍能够对大量数据进行挖掘处理的有关方法与技术，主要包括：数据挖掘基本知识、数据挖掘预处理方法、决策树分类及其他分类方法、关联知识挖掘方法、各种聚类分析方法，以及文本挖掘所涉及表示、分类和聚类等方法，还包括视频挖掘所涉及的视频镜头检测、字幕提取、视频摘要和视频检索等所涉及的主要分析方法。

数据挖掘技术，又称为数据库知识发现，是20世纪90年代在信息技术领域开始迅速发展起来的计算机技术。作者结合自己近20年从事人工智能、机器学习、数据挖掘等方面的科研工作积累与教学经验，编著此书。

本书较全面系统地介绍了数据挖掘中常用和常见的数据挖掘方法，以及文本与视频数据挖掘方法。

本书的主要内容包括：数据挖掘基本知识、数据挖掘预处理方法、决策树分类及其他分类方法、关联知识挖掘方法、各种聚类分析方法，以及文本挖掘所涉及表示、分类和聚类等方法，还包括视频挖掘所涉及的视频镜头检测、字幕提取、视频摘要和视频检索等主要分析方法。

本书作为学习、掌握和应用数据挖掘方法和技术的综合指导书，是从事数据挖掘研究与应用人员，以及希望了解数据挖掘主要方法和技术的IT技术人员的良师益友；同时也是一本可用于大学高年级或研究生相关课程的教材和参考文献。

总序

前言

第1章 数据挖掘导论

 1.1 数据挖掘的发展背景

 1.2 数据挖掘定义

 1.3 数据挖掘过程

 1.4 数据挖掘功能

 1.5 数据挖掘应用

 1.6 数据挖掘发展

 1.7 本章小结

第2章 数据预处理

 2.1 数据描述

2.1.1 数据集类型

2.1.2 数据质量

 2.2 数据清理

2.2.1 缺失值处理

2.2.2 噪声数据处理

2.2.3 数据清理过程

 2.3 数据集成和变换

2.3.1 数据集成

2.3.2 数据变换

2.3.3 维度归约

 2.4 数据归约

2.4.1 数据立方体聚集

2.4.2 属性子集选择

 2.5 本章小结

第3章 分类挖掘：决策树

 3.1 决策树方法

 3.2 决策树深入

3.2.1 信息熵基础

3.2.2 C4.5方法

3.2.3 CART方法

3.2.4 SLIQ方法

3.2.5 SPRINT方法

3.2.6 其他决策树方法

 3.3 决策树的简化

 3.4 决策树的改进

3.4.1 属性选择

3.4.2 连续属性离散化

 3.5 决策树的讨论

3.5.1 决策树优化问题

3.5.2 决策树优化方法

 3.6 分类模型的评估

 3.7 本章小结

第4章 分类挖掘

 4.1 贝叶斯方法

4.1.1 贝叶斯方法概述

4.1.2 朴素贝叶斯分类

 4.2 K-近邻方法

 4.3 人工神经网络方法

 4.4 遗传进化方法

 4.5 支持向量机方法

4.5.1 SVM分类方法

 4.6 粗糙集方法

 4.7 集成学习方法

4.7.1 基本概念

4.7.2 Bagging

4.7.3 Boosting

 4.8 本章小结

第5章 关联挖掘

 5.1 关联挖掘简述

5.1.1 关联挖掘应用

 5.2 关联挖掘基本方法

5.2.1 关联挖掘基本概念

5.2.2 关联挖掘问题

5.2.3 关联挖掘类型

5.2.4 关联挖掘基本方法

 5.3 关联挖掘方法改进

5.3.1 Apriori算法改进

5.3.2 频繁模式增长(FP-tree)算法

5.3.3 其他改进算法

 5.4 关联挖掘并行方法

5.4.1 基于候选集复制的算法

5.4.2 划分候选集的算法

5.4.3 混合策略：候选集部分复制

 5.5 基于粒计算的关联挖掘

5.5.1 基本思想

 5.6 本章小结

第6章 聚类挖掘

 6.1 聚类挖掘简述

 6.2 基于划分的聚类挖掘

6.2.1 k-means方法

 6.3 基于层次的聚类挖掘

 6.4 基于密度的聚类挖掘

 6.5 基于网格的聚类挖掘

 6.6 基于模型的聚类挖掘

 6.7 高维海量数据的聚类挖掘

6.7.1 高维海量数据特点

6.7.2 高维海量数据聚类算法

 6.8 基于蚁群算法的聚类挖掘

6.8.1 蚁群算法概述

6.8.2 蚁群算法特征

6.8.3 蚁群算法的研究热点

6.8.4 基于蚁穴清理行为的聚类算法

6.8.5 基于蚁群觅食行为的聚类算法

6.8.6 蚂蚁聚类算法分析

 6.9 本章小结

第7章 异类挖掘

 7.1 异类挖掘简述

7.1.1 基于统计的异常点检测

7.1.2 基于距离的异常点检测

7.1.3 基于偏差的异常点检测

7.1.4 基于密度的异常点检测

7.1.5 高维数据的异常点检测

 7.2 基于属性的异常点检测

7.2.1 基于属性的异常点检测

 7.3 时序异常点检测

7.3.1 时序异常点检测概述

7.3.2 时序异常模式挖掘

 7.4 空间异常点挖掘

 7.5 时空异常点挖掘

 7.6 数据流异常挖掘

7.6.1 基于单调搜索空间的突变检测

7.6.2 基于分段分形模型的无参数异常检测

 7.7 本章小结

第8章 文本挖掘

 8.1 文本挖掘

8.1.1 文本挖掘简述

8.1.2 文本分类

8.1.3 文本预处理

8.1.4 中文分词

 8.2 文本挖掘方法

 8.3 中文摘要方法

8.3.1 中文摘要概述

8.3.2 基于聚类的摘要方法

8.3.3 自适应确定摘要长度

 8.4 文本内容监管

8.4.1 高效多关键字匹配算法

 8.5 文本信息检索

 8.6 本章小结

第9章 视频挖掘

 9.1 视频内容检索简述

 9.2 镜头检测

9.2.1 基于直方图的镜头检测方法

9.2.2 基于运动分析的镜头检测方法

9.2.3 基于图像特征的镜头检测方法

9.2.4 基于多分类器组合的镜头检测方法

9.2.5 关键帧提取方法

9.2.6 镜头快速切变检测方法

9.2.7 基于SVM的镜头渐变检测方法

 9.3 新闻视频挖掘

9.3.1 自适应的镜头探测

9.3.2 播音员镜头检测

9.3.3 新闻故事单元检测

 9.4 广告检测

9.4.1 基于双重窗口的镜头切变检测方法

9.4.2 阈值的自适应选择

9.4.3 基于音频融合的广告检测

 9.5 视频文本检测

9.5.1 基于边缘信息和LH的视频文本检测

9.5.2 基于小波分析和LH的视频文本检测

9.5.3 基于形态学的视频文本检测

9.5.4 基于小波-神经网络的视频文本检测

 9.6 本章小结

第10章 视频分析

 10.1 视频分析简述

 10.2 慢镜头检测

10.2.1 基于帧间差模式识别的慢镜头检测方法

10.2.2 基于差分图像分析的慢镜头检测方法

10.2.3 基于零点穿越的慢镜头检测算法

10.2.4 基于帧差模式和镜头主色的慢镜头检测方法

 10.3 视频摘要

10.3.1 视频摘要概述

10.3.2 视频摘要实现方法

 10.4 视频检索

10.4.1 视频检索简介

10.4.2 视频特征的提取

10.4.3 视频数据的建模

10.4.4 视频检索方法

 10.5 视频快速检索

10.5.1 子片断分割

10.5.2 视频特征数据的组织

10.5.3 相似度定义

10.5.4 查询算法

 10.6 本章小结