朱小栋，博士，上海理工大学副教授，中国计算机学会CCF高级会员，澳大利亚斯文本科技大学高级访问学者，研究方向为数据挖掘、信息安全与网络安全、电子商务，公开发表论文70余篇，出版专著1部，出版教材3部。

　　《数据挖掘算法与应用》系统介绍了数据挖掘技术，旨在帮助读者掌握从数据预处理到模型构建的全流程，了解各种数据挖掘算法及其应用场景。该书以清晰的逻辑结构和丰富的案例为特点，以简洁易懂的语言对数据挖掘的核心概念和算法进行了深入解析。
　　《数据挖掘算法与应用》适合计算机科学与技术、数据科学、人工智能、统计学和管理科学与工程等相关专业的师生和相关行业工作人员使用参考。

第1章 绪论
1.1 数据挖掘的基础概念
1.2 数据挖掘与数据库的关系
1.3 数据挖掘的过程
1.4 数据挖掘在商务智能中的位置
1.5 数据挖掘的发展历史
1.6 数据挖掘的算法和技术
1.7 数据挖掘标准的发展
1.8 本章小结

第2章 数据的产生、采集和预处理过程
2.1 数据产生的源
2.2 数据采集概述
2.3 ETL过程
2.4 数据安全的相关立法
2.5 本章小结

第3章 数据仓库与OLAP分析
3.1 数据仓库
3.2 联机分析处理（OLAP）
3.3 本章小结

第4章 统计分析技术
4.1 统计分析概述
4.2 数据的类型
4.3 描述性统计分析
4.4 假设检验
4.5 相关分析
4.6 回归分析
4.7 方差分析
4.8 主成分分析
4.9 因子分析
4.10 蒙特卡罗算法
4.11 马尔可夫链
4.12 EM算法
4.13 结构方程模型
4.14 本章小结

第5章 有监督学习技术
5.1 机器学习概述
5.2 K近邻算法
5.3 决策树
5.4 集成学习技术
5.5 朴素贝叶斯算法
5.6 支持向量机算法
5.7 逻辑回归分类
5.8 人工神经网络技术
5.9 本章小结

第6章 无监督机器学习技术
6.1 无监督学习概述
6.2 数据挖掘的聚类分析技术
6.3 数据挖掘的关联分析技术
6.4 海量大数据无监督学习
6.5 本章小结

第7章 从机器学习延伸到深度学习
7.1 深度学习概述
7.2 卷积神经网络
7.3 循环神经网络（RNN）
7.4 长短期记忆网络（LSTM）
7.5 迁移学习
7.6 生成对抗网络
7.7 深度学习的高速化
7.8 大语言模型
7.9 本章小结

第8章 数据挖掘的集合论技术
8.1 粗糙集理论
8.2 模糊集理论
8.3 本章小结

第9章 数据挖掘的仿生技术
9.1 遗传算法
9.2 蚁群算法
9.3 本章小结

第10章 数据挖掘的应用软件
10.1 SPSS家族软件
10.2 Weka软件
10.3 商业智能软件
10.4 Weka在客户关系管理中的应用案例
10.5 R软件
10.6 Python软件
10.7 本章小结

参考文献