医学数据挖掘是当前研究的热门领域，它是从大量医学数据中提取出可信的、新颖的、有效的，并最终能被人理解的模式的处理过程，涉及数据库、人工智能、统计学、模式识别、可视化技术等众多领域知识。

本书将医学实例、数据挖掘技术、计算机应用程序三者结合起来。首先介绍了数据挖掘任务；然后介绍了完成数据挖掘任务的方法论基础；最后根据数据挖掘任务，依据数据挖掘的方法论，借助于SQL Server 2005详细介绍了医学数据挖掘领域的重要问题——决策树算法、回归与时序算法、人工神经网络、关联规则和聚类分析。

本书是一本很值得一读的医学案例数据挖掘教材，较全面地介绍了医学数据挖掘的基本任务、方法及数据挖掘技术及基于SQL Server 2005的医学实践。

全书共7章，内容涵盖核心的数据挖掘技术，包括：决策树算法、回归与时序算法、人工神经网络、关联规则和聚类分析。此外，还提供了医学数据挖掘的最佳实践方法论，介绍了SQL Server 2005中数据挖掘的功能，并且对这些功能结合医学实例作了较为详细的讲述。在附录中还提供了SQL Server 2005的安装方法。通过学习本书，读者能理解数据挖掘的重要性并学会如何实践数据挖掘。

本书适合作为高等院校相关专业高年级本科生、研究生的教材或参考书，也适合当前医学数据挖掘实践者学习和参考。

第1章 医学数据挖掘概述

 1.1 数据挖掘概念

1.1.1 数据挖掘的产生

1.1.2 数据挖掘的定义

 1.2 数据挖掘的任务

 1.3 数据挖掘技术

 1.4 数据挖掘工具——SQL Server 2005

 1.5数据挖掘技术在医学领域中的应用特点、现状及展望

 本章小结

 习题

第2章 数据挖掘方法和最佳实践

 2.1 为什么需要方法论

2.1.1 获取不真实的知识

2.1.2 获取真实但无用的知识

 2.2 假设测试

 2.3 数据挖掘的方法

 本章小结

 习题

第3章 决策树

 3.1 决策树的概念

 3.2 决策树算法的基本原理

3.2.1 ID3算法

3.2.2 ID3算法的特点和面临的问题

3.2.3 树枝修剪

3.2.4 其他决策树算法

 3.3 利用Microsoft SQL Server 2005实践决策树算法

3.3.1 案例背景

3.3.2 Microsoft SQL Server 2005 Analysis Services操作步骤

 本章小结

 习题

第4章 回归与时序算法

 4.1 算法介绍

 4.2 回归分析

4.2.1 一元线性回归分析

4.2.2 多元线性回归分析

4.2.3 非线性回归分析

 4.3 时间序列分析

4.3.1 确定性时间序列分析方法

4.3.2 随机时间序列分析

 4.4 利用Microsoft SQL Server 2005实践回归与时序分析

4.4.1 案例背景

4.4.2 Microsoft SQL Server 2005 Analysis Services操作步骤

 本章小结

 习题

第5章 人工神经网络

 5.1 人工神经网络简介

 5.2 人工神经网络建模基础

5.2.1 生物神经网络

5.2.2 人工神经元

5.2.3 M.P模型

5.2.4 人工神经网络分类

5.2.5 人工神经网络的学习

 5.3 感知器神经网络

5.3.1 单层感知器

5.3.2 多层感知器

5.3.3 误差反传(BP)算法

 5.4 利用Microsoft SQL Servet 2005实践神经网络算法

5.4.1 案例背景

5.4.2 Microsoft SQL Server 2005 Analysis Services操作步骤

 本章小结

 习题

第6章 关联规则

 6.1 关联规则概述

 6.2 关联规则算法

6.2.1 单维布尔关联规则挖掘

6.2.2 多层关联规则挖掘

6.2.3 多维关联规则挖掘

 6.3 利用Microsoft SQL Server 2005实践关联规则算法

6.3.1 案例背景

6.3.2 Microsoft SQL Server 2005 Analysis Setvices操作步骤

 本章小结

习颢

第7章 聚类分析

 7.1 聚类分析相关概念及其分类

7.1.1 相似性测量

7.1.2 聚类分析算法简介

 7.2 k-Means算法

 7.3 EM算法

 7.4 利用Microsoft SQL Serlver 2005实践聚类分析算法

7.4.1 案例背景

7.4.2 Microsoft SQL Server 2005 Analysis Setvices操作步骤

 本章小结

 习题

附录A SQL Server 2005数据库的安装

附录B 数据挖掘模拟试题(一)

附录C 数据挖掘模拟试题(二)

参考文献