本书是数据挖掘领域的经典作品，首次出版至今已20余年，成为数据挖掘学习者的必读教材。作为领域的奠基之作，本书创建了数据挖掘的技术分类学框架、从基础理论到应用案例的完整知识体系，同时，跟随时代和技术的发展，不断完善和更新。既适合作为计算机科学、数据科学、人工智能等相关专业学生的课程教材，也适合作为相关领域研究人员及从业者的专业参考书。

译者序
推荐序
第2版序
前言
致谢
作者简介
第1章 绪论
1.1 什么是数据挖掘
1.2 数据挖掘：知识发现中不可或缺的一步
1.3 数据挖掘的数据类型多样性
1.4 挖掘各种各样的知识
1.4.1 多维数据汇总
1.4.2 挖掘频繁模式、关联和相关性
1.4.3 用于预测分析的分类和回归
1.4.4 聚类分析
1.4.5 深度学习
1.4.6 离群点分析
1.4.7 数据挖掘的所有结果都有趣吗
1.5 数据挖掘：多学科的交汇
1.5.1 统计学与数据挖掘
1.5.2 机器学习与数据挖掘
1.5.3 数据库技术与数据挖掘
1.5.4 数据挖掘与数据科学
1.5.5 数据挖掘与其他学科
1.6 数据挖掘与应用
1.7 数据挖掘与社会
1.8 总结
1.9 练习
1.10 文献注释
第2章 数据、度量与数据预处理
2.1 数据类型
2.1.1 标称属性
2.1.2 二元属性
2.1.3 序数属性
2.1.4 数值属性
2.1.5 离散属性与连续属性
2.2 数据的基本统计描述
2.2.1 中心趋势度量
2.2.2 数据离散趋势度量
2.2.3 协方差和相关系数
2.2.4 数据基本统计描述的图形显示
2.3 数据的相似性与相异性度量
2.3.1 数据矩阵与相异性矩阵
2.3.2 标称属性的邻近性度量
2.3.3 二元属性的邻近性度量
2.3.4 数值属性的相异性：闵可夫斯基距离
2.3.5 序数属性的邻近性度量
2.3.6 混合类属性的相异性
2.3.7 余弦相似性
2.3.8 度量相似的分布：Kullback-Leibler散度
2.3.9 捕获相似性度量中的隐藏语义
2.4 数据质量、数据清洗和数据集成
2.4.1 数据质量度量
2.4.2 数据清洗
2.4.3 数据集成
2.5 数据转换
2.5.1 规范化
2.5.2 离散化
2.5.3 数据压缩
2.5.4 抽样
2.6 维归约
2.6.1 主成分分析
2.6.2 属性子集选择
……
第3章 数据仓库和在线分析处理
第4章 模式挖掘：基本概念和方法
第5章 模式挖掘：高级方法
第6章 分类：基本概念和方法
第7章 分类：高级方法
第8章 聚类分析：基本概念和方法
第9章 聚类分析：高级方法
第10章 深度学习
第11章 离群点检测
第12章 数据挖掘趋势和研究前沿
附录A 数学背景
参考文献