數據挖掘原理（第4版）

第1章 數據挖掘簡介
1.1 數據
1.2 知識發現
1.3 數據挖掘的應用
1.4 標籤數據和無標籤數據
1.5 監督學習：分類
1.6 監督學習：數值預測
1.7 無監督學習：關聯規則
1.8 無監督學習：聚類

第2章 用於挖掘的數據
2.1 標準制定
2.2 變數的類型
2.3 數據準備
2.4 缺失值
2.4.1 丟棄實例
2.4.2 用 頻繁值/平均值替換
2.5 減少屬性個數
2.6 數據集的UCI存儲庫
2.7 本章小結
2.8 自我評估練習

第3章 分類簡介：樸素貝葉斯和 近鄰演算法
3.1 什麼是分類
3.2 樸素貝葉斯分類器
3.3 近鄰分類
3.3.1 距離測量
3.3.2 標準化
3.3.3 處理分類屬性
3.4 急切式和懶惰式學習
3.5 本章小結
3.6 自我評估練習

第4章 使用決策樹進行分類
4.1 決策規則和決策樹
4.1.1 決策樹：高爾夫示例
4.1.2 術語
4.1.3 degrees數據集
4.2 TDIDT演算法
4.3 推理的類型
4.4 本章小結
4.5 自我評估練習

第5章 決策樹歸納：使用熵進行屬性選擇
5.1 屬性選擇：一個實驗
5.2 替代決策樹
5.2.1 足球/無板籃球示例
5.2.2 匿名數據集
5.3 選擇要分裂的屬性：使用熵

第6章 決策樹歸納：使用頻率表進行屬性選擇
第7章 估計分類器的預測精度
第8章 連續屬性
第9章 避免決策樹的過度擬合