数据挖掘旨在发现蕴含在数据中的有价值的数据模式、知识或规律，是目前非常热门的研究领域。理解数据挖掘模型的原理、方法并熟练掌握其实现技术是数据挖掘从业者必备的能力。 本书从理论模型和技术实战两个角度，全面讲述数据挖掘的基本流程、模型方法、实现技术及案例应用，帮助读者系统地掌握数据挖掘的核心技术，培养读者从事数据挖掘工作的基本能力。全书共12章，主要内容包括数据探索、数据预处理、特征选择、基础分类模型及回归模型、集成技术、聚类分析、关联规则分析、时间序列挖掘、异常检测、智能推荐等。除第1章、第2章外，本书以一章对应一个主题的形式完整描述相应主题的数据挖掘模型，简洁、清晰地介绍其基本原理和算法步骤，并结合Python语言介绍数据挖掘模型的实现技术，同时结合案例分析数据挖掘模型在数据挖掘中的应用。此外，书中还通过大量的图、表、代码、示例帮助读者快速掌握相关内容。 本书适合作为相关专业本科生和研究生的数据挖掘课程的教材，也可以作为数据挖掘技术爱好者或从业者的入门参考书。

第1章 绪论
1.1 数据挖掘概述
1.1.1 基本概念
1.1.2 数据挖掘的典型应用场景
1.1.3 数据挖掘的演化历程
1.2 数据挖掘的一般流程
1.3 数据挖掘环境的配置
1.3.1 常用的数据挖掘工具
1.3.2 Anaconda 3下载和安装
1.4 本章小结
习题
第2章 Python数据挖掘模块
2.1 NumPy
2.1.1 Ndarray的创建
2.1.2 Ndarray的属性
2.1.3 索引和切片
2.1.4 排序
2.1.5 NumPy的数组运算
2.1.6 NumPy的统计函数
2.2 Pandas
2.2.1 Pandas的数据结构
2.2.2 查看和获取数据
2.2.3 Pandas的算术运算
2.2.4 Pandas的汇总和描述性统计函数
2.2.5 Pandas的其他常用函数
2.2.6 Pandas读写文件
2.3 Matplotlib
2.3.1 Matplotlib基本绘图元素
2.3.2 常用的Matplotlib图形绘制
2.4 Scikit-learn
2.5 本章小结
习题
第3章 数据探索
3.1 数据对象与特征
3.1.1 特征及其类型
3.1.2 离散和连续特征
3.2 数据统计描述
3.2.1 集中趋势
3.2.2 离中趋势
3.3 数据可视化
3.3.1 散点图
3.3.2 箱线图
3.3.3 频率直方图
3.3.4 柱状图
3.3.5 饼图
3.3.6 散点图矩阵
3.4 相关性和相似性度量
3.4.1 相关性度量
3.4.2 相似性度量
3.5 本章小结
习题
第4章 数据预处理
4.1 数据集成
……
第5章 特征选择
第6章 基础分类模型及回归模型
第7章 集成技术
第8章 聚类分析
第9章 关联规则分析
第10章 时间序列挖掘
第11章 异常检测
第12章 智能推荐
参考文献