《数据挖掘原理与SPSS Clementine应用宝典》从数据挖掘基础、数据挖掘经典算法、数据挖掘业务建模与模型评价、SPSS Clementine数据挖掘实务这4方面对数据挖掘技术进行了全面介绍，既包含传统经典的数据挖掘方法，同时也包含了部分数据挖掘的最新研究成果；通过学习读者可以对数据挖掘理论有一定的认识，理解数据挖掘经典算法的实现，并且可以掌握数据挖掘建模以及SPSS Clementine数据挖掘实战。
　　《数据挖掘原理与SPSS Clementine应用宝典》共24章，分为4部分。第1部分数据挖掘应用基础，包括第1～5章。通过本部分的学习可以了解掌握数据挖掘的基本概念及数据挖掘应用的基本原理。第2部分数据挖掘经典算法，包括第6～15章，包括回归分析的基本原理以及各种回归分析的方法；贝叶斯网络的基本概念和一些常用的算法；聚类分析的原理和常用的聚类算法；决策树算法的原理和常用算法；关联规则的基本概念、原理以及常用算法；粗糙集基本概念，算法以及在数据挖掘中的应用；基本的神经网络模型的原理和算法；遗传算法的基本构成，算法及其在数据挖掘中的应用；支持向量机的基本原理和实现技术。第3部分数据挖掘建模与模型，包括第16～17章。本部分是数据挖掘建模和模型评价的基础知识。第4部分SPSS Clementine数据挖掘实务，包括第18～24章。本部分包括SPSS Clementine的使用入门和SPSS Clementine数据挖掘项目的实现和具体实施，最后讲解了SPSSClementine的3个典型案例。
　　《数据挖掘原理与SPSS Clementine应用宝典》可作为高等院校计算机科学与技术专业、软件工程专业或信息类等相关专业的教材，也可作为有关数据挖掘方面的培训教材，以及所有拟从事数据挖掘领域工作研究的学生、学者、工程师的参考用书。

第1部分　数据挖掘应用基础
第1章　数据挖掘概述
第2章　数据挖掘可挖掘的知识类型
第3章　数据挖掘的体系结构与模型
第4章　数据选择
第5章　数据预处理

第2部分　数据挖掘经典算法
第6章　回归分析
第7章　贝叶斯分析
第8章　聚类分析
第9章　决策树算法
第10章　关联规则算法
第11章　粗糙集理论
第12章　神经网络
第13章　遗传算法
第14章　支持向量机
第15章　复杂对象数据挖掘

第3部分　数据挖掘建模与模型
第16章　数据挖掘建模
第17章　数据挖掘模型评价

第4部分　SPSS Clementine数据挖掘实务
第18章　SPSS Clementine基础
第19章 SPSS Clementine数据管理
第20章　数据的图形化展示
第21章　SPSS Clementine数据挖掘建模
第22章　数据挖掘结果的输出
第23章　数据挖掘项目实施
第24章　SPSS Clementine典型案例分析
参考文献