本书介绍数据挖掘相关技术及其在防灾、减灾领域的应用。数据挖掘技术主要沿着分类、聚类和关联分析这三大任务展开，具体包括数据挖据概念及发展史、数据及预处理方法、数据仓库、回归分析、数据分类和聚类、趋势预测、关联分析、异类挖捆等内容，并通过在灾害预防、安全评价等方面的实例来介绍每类技术的应用。
本书可作为高等院校计算机、信息科学、大数据科学、灾害防治、应急信息化、应急技术与管理、城市地下空间安全等相关专业的教材或参考书，也可为从事数据处理的科学工作者、技术人员提供参考。

第1章 导论
1.1 数据挖掘的起源
1.2 数据挖掘的定义
1.3 数据挖掘的应用领域
1.4 数据挖掘的过程
1.4.1 CRISP-DM模型
1.4.2 SEMMA模型
1.5 数据挖掘的任务
1.6 数据挖掘工具和共享资源
1.6.1 数据挖掘软件
1.6.2 数据挖掘共享数据集
1.6.3 共享的数据挖掘算法软件包
1.7 数据挖掘发展趋势
1.8 本章小结
习题
第2章 数据、统计特征及数据预处理
2.1 数据与数据类型
2.1.1 数据集的特性
2.1.2 数据集类型
2.2 数据统计特征
2.2.1 频率和众数
2.2.2 百分位数
2.2.3 位置度量：均值和中位数
2.2.4 离散度量：极差和方差
2.2.5 多元汇总统计
2.3 数据预处理
2.3.1 数据清理
2.3.2 数据集成
2.3.3 数据变换
2.3.4 数据归约
2.3.5 离散化和概念分层
2.4 距离和相似性度量
2.4.1 对象之间的距离
2.4.2 数据集之间的距离
2.4.3 相似性度量
2.5 本章小结
习题
第3章 数据仓库及联机分析处理
3.1 数据仓库概念
3.1.1 数据仓库定义及关键特征
3.1.2 数据仓库与传统数据库系统的区别
3.1.3 数据仓库的体系结构
3.1.4 几种数据仓库模型
3.1.5 元数据库
3.2 数据仓库建模
3.2.1 数据立方体
3.2.2 多维数据模型的模式
3.3 数据仓库设计与实现
3.3.1 设计视图
3.3.2 设计方法
3.4 本章小结
习题
第4章 回归分析
4.1 线性回归分析
4.1.1 一元线性回归分析
4.1.2 多元线性回归分析
4.2 非线性回归分析
4.3 逻辑回归分析
4.4 本章小结
习题
第5章 数据分类与预测
5.1 分类定义
5.2 分类挖掘一般过程
5.3 决策树分类法
5.3.1 决策树概念
5.3.2 经典决策树分类方法
5.3.3 ID3算法
5.3.4 C4.5算法
5.3.5 C5.0算法
5.3.6 CART算法
5.3.7 决策树分类算法评估
5.3.8 案例分析：决策树算法应用于电信客户流失分析
5.4 贝叶斯分类方法
5.4.1 贝叶斯算法基本原理
5.4.2 朴素贝叶斯分类方法
5.5 k-近邻分类方法
5.5.1 k-近邻算法描述
5.5.2 k-近邻算法的优缺点
5.5.3 案例分析：乘坐式割草机分类销售
5.6 人工神经网络分类方法
5.6.1 神经元概念
5.6.2 神经网络模型
5.6.3 神经网络的应用
5.7 利用BP神经网络预测岩溶塌陷
5.7.1 确定BP神经网络拓扑结构
5.7.2 提取原始数据
5.7.3 数据预处理
5.7.4 建立岩溶塌陷预测的BP神经网络挖掘模型
5.7.5 岩溶塌陷预测
5.8 本章小结
习题
第6章 关联分析
6.1 相关概念
6.2 二元属性的关联规则挖掘
6.2.1 Apriori算法及效率分析
6.2.2 CARMA算法
6.2.3 两种算法的比较分析
6.3 非二元属性的关联规则挖掘
6.4 关联规则的合并
6.5 关联规则的优化
6.5.1 支持度与可信度的局限
6.5.2 兴趣度的引入
6.5.3 提升度的引入
6.6 洗浴时间与学习成绩的关联分析
6.6.1 数据提取与预处理
6.6.2 洗浴习惯与学习成绩的关联分析
6.7 本章小结
习题
第7章 聚类分析
7.1 聚类分析概述
7.2 基于划分的聚类分析
7.2.1 基本k-means聚类算法
7.2.2 二分k-means聚类算法
7.2.3 k-means++聚类算法
7.3 基于层次的聚类分析
7.3.1 BIRCH算法
7.3.2 CURE算法
7.3.3 ROCK算法
7.4 基于密度的聚类算法
7.5 一趟聚类算法
7.5.1 一趟聚类算法描述
7.5.2 半径阔值的选择
7.6 基于模型的聚类分析
7.6.1 SOFM自组织竞争算法
7.6.2 最大期望值算法
7.7 聚类算法评价
7.7.1 内部质量评价准则
7.7.2 外部质量控制准则
7.8 利用k-means++算法划分地震区域
7.8.1 数据预处理
7.8.2 划分预测地震区域
7.9 利用SOFM算法划分空间电场扰动数据
7.9.1 数据提取
7.9.2 SOFM网设计
7.9.3 数据聚类结果分析
7.10 本章小结
习题
第8章 异类数据挖掘
8.1 概述
8.2 基于统计的方法
8.3 基于距离的方法
8.4 基于相对密度的方法
8.5 基于聚类的方法
8.5.1 基于对象的异类因子方法
8.5.2 基于簇的异类因子方法
8.5.3 基于聚类的动态数据异类点检测方法
8.6 基于物元模型的异类数据挖掘
8.6.1 物元理论与可拓集
8.6.2 关联函数
8.6.3 可拓数据挖掘
8.7 异类数据挖掘方法的评估
8.8 利用可拓数据挖掘算法查找震前电离层异常
8.8.1 研究对象物元模型及关联函数
8.8.2 经典域的确定
8.8.3 基于可拓数据挖掘的异类数据分析
8.9