第1章緒論
1.1數(shù)據(jù)挖掘的發(fā)展歷程
1.2數(shù)據(jù)挖掘的特點(diǎn)介紹
1.3數(shù)據(jù)挖掘的流程步驟
1.4數(shù)據(jù)挖掘的典型任務(wù)
1.5數(shù)據(jù)挖掘的經(jīng)典算法
1.6數(shù)據(jù)挖掘的案例介紹
1.7RapidMiner軟件介紹

第2章數(shù)據(jù)統(tǒng)計(jì)與可視化
2.1數(shù)據(jù)統(tǒng)計(jì)與可視化概述
2.2數(shù)據(jù)統(tǒng)計(jì)與可視化技術(shù)
2.3實(shí)驗(yàn)案例與實(shí)驗(yàn)任務(wù)

第3章數(shù)據(jù)預(yù)處理
3.1數(shù)據(jù)預(yù)處理概述
3.2數(shù)據(jù)預(yù)處理算法原理
3.3實(shí)驗(yàn)案例與實(shí)驗(yàn)任務(wù)

第4章關(guān)聯(lián)規(guī)則挖掘
4.1關(guān)聯(lián)規(guī)則挖掘概述
4.2關(guān)聯(lián)規(guī)則挖掘算法原理
4.3實(shí)驗(yàn)案例與實(shí)驗(yàn)任務(wù)

第5章回歸分析
5.1回歸分析概述
5.2線性回歸
5.3正則化回歸
5.4邏輯回歸
5.5實(shí)驗(yàn)案例與實(shí)驗(yàn)任務(wù)

第6章決策樹
6.1決策樹概述
6.2決策樹算法原理
6.3實(shí)驗(yàn)案例與實(shí)驗(yàn)任務(wù)

第7章模型評(píng)估與集成學(xué)習(xí)
7.1模型評(píng)估
7.2集成學(xué)習(xí)概述
7.3集成學(xué)習(xí)算法原理
7.4實(shí)驗(yàn)案例與實(shí)驗(yàn)任務(wù)

第8章樸素貝葉斯
8.1樸素貝葉斯概述
8.2樸素貝葉斯算法原理
8.3實(shí)驗(yàn)案例與實(shí)驗(yàn)任務(wù)

第9章K近鄰
9.1K近鄰概述
9.2K近鄰算法原理
9.3實(shí)驗(yàn)案例與實(shí)驗(yàn)任務(wù)

第10章支持向量機(jī)
10.1支持向量機(jī)概述
10.2支持向量機(jī)算法原理
10.3實(shí)驗(yàn)案例與實(shí)驗(yàn)任務(wù)

第11章神經(jīng)網(wǎng)絡(luò)
11.1神經(jīng)網(wǎng)絡(luò)概述
11.2神經(jīng)網(wǎng)絡(luò)算法原理
11.3實(shí)驗(yàn)案例與實(shí)驗(yàn)任務(wù)

第12章聚類分析
12.1聚類分析概述
12.2聚類分析算法原理
12.3實(shí)驗(yàn)案例與實(shí)驗(yàn)任務(wù)

第13章文本分析
13.1文本分析概述
13.2實(shí)驗(yàn)案例與實(shí)驗(yàn)任務(wù)

第14章RapidMiner高階功能
14.1自動(dòng)建模
14.2生成式人工智能

附錄數(shù)據(jù)挖掘任務(wù)實(shí)踐與示例
A.1數(shù)據(jù)挖掘任務(wù)實(shí)踐選題
A.2數(shù)據(jù)挖掘任務(wù)實(shí)踐示例