第1部分 数据挖掘篇
第1章 数据挖掘概述
1.1 什么是数据挖掘
1.1.1 数据挖掘的定义
1.1.2 数据挖掘的发展阶段
1.1.3 数据挖掘的技术特征
1.2 与传统技术的比较
1.2.1 数据挖掘和统计分析
1.2.2 数据挖掘和数据仓库
1.2.3 数据挖掘和OLAP
1.2.4 数据挖掘和Web挖掘
1.3 常用的数据挖掘软件
1.3.1 SAS EM
1.3.2 SPSS Modeler
1.3.3 Intelligent Miner
1.4 应用实例：目标客户分析
1.4.1 研究方法
1.4.2 数据分析
1.4.3 研究结论
第2章 SPSS Modeler软件概述
2.1 软件简介
2.1.1 软件发展
2.1.2 软件界面
2.1.3 软件特点
2.1.4 软件功能
2.1.5 软件算法
2.1.6 高级功能
2.1.7 软件安装
2.2 行业应用
2.2.1 通信行业
2.2.2 政府行业
2.2.3 金融行业
2.2.4 制造行业
2.2.5 医药行业
2.2.6 教育科研
2.2.7 市场调研
2.2.8 连锁零售
2.3 数据挖掘流程
2.3.1 业务理解
2.3.2 数据理解
2.3.3 数据准备
2.3.4 建立模型
2.3.5 评估模型
2.3.6 应用模型
2.4 应用实例：药物效果研究
2.4.1 研究方法
2.4.2 数据分析
2.4.3 研究结论
第3章 SPSS Modeler基础操作
3.1 数据输入
3.1.1 数据库
3.1.2 可变文件
3.1.3 固定文件
3.1.4 SAS文件
3.1.5 Statistics文件
3.1.6 Excel文件
3.2 数据流操作
3.2.1 生成数据流
3.2.2 添加和删除节点
3.2.3 连接数据流
3.2.4 修改连接节点
3.2.5 执行数据流
3.3 图形制作
3.3.1 散点图
3.3.2 直方图
3.3.3 网络图
3.3.4 评估图
3.4 应用实例：产品销售预测
3.4.1 研究方法
3.4.2 数据分析
3.4.3 研究结论
第4章 回归分析
4.1 回归分析模型概述
4.1.1 模型定义
4.1.2 模型应用
4.1.3 建模步骤
4.1.4 注意事项
4.2 应用实例：客户流失因素分析
4.2.1 研究方法
4.2.2 数据分析
4.2.3 研究结论
第5章 时间序列
5.1 时间序列模型概述
5.1.1 模型定义
5.1.2 模型应用
5.1.3 建模步骤
5.2 应用实例：带宽利用率预测
5.2.1 研究方法
5.2.2 数据分析
5.2.3 研究结论
第6章 因子分析
6.1 因子分析模型概述
6.1.1 模型定义
6.1.2 模型应用
6.1.3 建模步骤
6.1.4 注意事项
6.2 应用实例：儿童玩具影响因子分析
6.2.1 研究方法
6.2.2 数据分析
6.2.3 研究结论
第7章 决策树
7.1 决策树模型概述
7.1.1 模型定义
7.1.2 模型应用
7.1.3 建模步骤
7.1.4 注意事项
7.2 应用实例：电信客户流失分析
7.2.1 研究方法
7.2.2 数据分析
7.2.3 研究结论
第8章 判别分析
8.1 判别分析模型概述
8.1.1 模型定义
8.1.2 模型应用
8.1.3 建模步骤
8.1.4 注意事项
8.2 应用实例：电信客户群判别分析
8.2.1 研究方法
8.2.2 数据分析
8.2.3 研究结论
第9章 聚类分析
9.1 聚类分析模型概述
9.1.1 模型定义
9.1.2 模型应用
9.1.3 建模步骤
9.1.4 注意事项
9.2 应用实例：药物效果聚类分析
9.2.1 研究方法
9.2.2 数据分析
9.2.3 研究结论
第10章 关联分析
10.1 关联分析模型概述
10.1.1 模型定义
10.1.2 模型应用
10.1.3 建模步骤
10.1.4 注意事项
10.2 应用实例：商品关联性分析
10.2.1 研究方法
10.2.2 数据分析
10.2.3 研究结论
第11章 人工神经网络
11.1 人工神经网络模型概述
11.1.1 模型定义
11.1.2 模型应用
11.1.3 建模步骤
11.1.4 注意事项
11.2 应用实例：客户流失预测分析
11.2.1 研究方法
11.2.2 数据分析
11.2.3 研究结论
第12章 贝叶斯网络
12.1 贝叶斯网络模型概述
12.1.1 模型定义
12.1.2 模型应用
12.1.3 建模步骤
12.1.4 注意事项
12.2 应用实例：贷款风险预测
12.2.1 研究方法
12.2.2 数据分析
12.2.3 研究结论
第13章 社交网络分析
13.1 社交网络分析模型概述
13.1.1 模型定义
13.1.2 模型应用
13.1.3 建模步骤
13.1.4 注意事项
13.2 应用实例：客户流失预警分析
13.2.1 研究方法
13.2.2 数据分析
13.2.3 研究结论
第2部分 文本挖掘篇
第14章 文本挖掘概述
14.1 什么是文本挖掘
14.2 文本挖掘的研究现状
14.3 文本挖掘软件简介
14.3.1 Intelligent Miner
14.3.2 北大方正智思
第15章 文本挖掘算法
15.1 特征选择文本分类算法
15.1.1 文本特征表示
15.1.2 文档预处理
15.1.3 文档特征选择
15.2 支持向量机文本分类算法
15.2.1 文档特征的表示
15.2.2 文本特征的提取
15.2.3 文档的相似度
15.2.4 支持向量机算法
15.3 朴素贝叶斯文本分类算法
15.3.1 贝叶斯公式
15.3.2 贝叶斯定理的应用
15.3.3 朴素贝叶斯分类器
15.3.4 朴素贝叶斯文本分类算法
15.4 KNN文本分类算法
15.4.1 KNN文本分类算法概述
15.4.2 基于统计的KNN文本分类算法
15.4.3 基于LSA降维的KNN文本分类算法
第16章 SPSS Modeler文本挖掘概述
16.1 Modeler软件中的文本挖掘理论
16.1.1 功能简介
16.1.2 文本挖掘节点
16.2 Modeler软件中的文本挖掘安装
第17章 SPSS Modeler文本挖掘节点
17.1 File List节点
17.1.1 节点简介
17.1.2 节点实例
17.2 Web Feed节点
17.2.1 节点简介
17.2.2 节点实例
17.3 Text Mining节点
17.3.1 节点简介
17.3.2 节点实例
17.4 Text Link Analysis节点
17.4.1 节点简介
17.4.2 节点实例
17.5 Translate节点
17.5.1 节点简介
17.5.2 节点实例
17.6 File Viewer节点
17.6.1 节点简介
17.6.2 节点实例
第18章 SPSS Modeler文本挖掘实例
18.1 实例：音乐调查数据的概念模型分析
18.2 实例：音乐调查数据的文本类别分析
附录A 配置SQL Server ODBC数据源
参考文献