《数据挖掘理论与实例》是一种技术，它将传统的数据分析方法与处理大量数据的复杂算法相结合。《数据挖掘理论与实例》的主要目标是，通过不同领域的应用案例来说明数据挖掘在实际应用中的具体操作方法。将数据库管理系统MySQL和统计软件R结合，利用数据挖掘技术帮助陷入海量数据中的组织和个人提取有用的信息。《数据挖掘理论与实例》的主要内容包括理论和实例两部分：第一、第二章介绍数据挖掘、数据仓库和数据挖掘的常用技术等基本理论；实例部分是以作者的两个研究课题为基础，第三、第四章介绍呼叫中心数据仓库的构建和数据挖掘模型与实现（MSSQLServer2000、决策树）；第五、第六章介绍数据挖掘在QFII投资理念与持股偏好研究中的应用（Rsoft-ware、MySQL、多元逐步线性回归、因子分析、聚类分析等）。

    而后者利用在大规模的多维数据中采用数据立方体来确定反常区域，如果一个立方体的单元值显著地不同于根据统计模型得到的期望值，该单元值被认为是一个孤立点，当存在许多涉及多层概念层次的维时，人工探测变得非常困难。
    5.基于聚类的方法
    基于聚类的方法的基本思想是将孤立点挖掘的过程转换成聚类的过程。首先将数据集利用已经成熟的模型进行聚类分析，使数据集形成簇，而那些不在簇中的样本点即被视为异常点进行再处理。
    除此之外，孤立点检测算法研究领域还有一些值得我们注意的方法：基于关联的方法、基于PCA（主成分分析）的孤立点挖掘方法、基于PLS（偏最小二乘回归）的方法、基于NNPLS的方法、基于SV的孤立点挖掘方法、基于粗糙集的孤立点检测等。
    1.基于关联的方法
    传统的孤立点检测算法都只能适用于连续属性数据集，而不适用于离散属性数据集，这是因为很难对离散属性数据进行求和、求距离等数字运算。而基于关联的方法则适用于离散属性数据集孤立点的挖掘。基于关联的方法的基本思想是，由关联规则算法发现的频繁模式反映了数据集中的“普遍模式”，这也就使人们相信，不包含频繁模式或只包含极少频繁模式的数据其实就是孤立点。也就是说，频繁模式不会包含在作为孤立点的数据中。在这种基于关联的方法当中可以利用频繁模式孤立点因子FPOF来度量。基于关联的方法的主要问题在于当离散数据量比较少的时候，算法的准确度会降低，另外就是频繁模式本身的挖掘就是一个比较耗时的工作。
    ……

第一章 绪论
第一节 什么是数据挖掘
第二节 基本数据挖掘任务
第三节 数据挖掘的过程
第四节 数据仓库与OLAP技术概述
第五节 数据挖掘技术的发展

第二章 数据挖掘工具
第一节 数据挖掘的统计方法
第二节 聚类分析
第三节 决策树
第四节 相关软件

第三章 呼叫中心中数据仓库的构建
第一节 数据仓库构建的实施方法及步骤
第二节 呼叫中心数据仓库模型设计
第三节 数据仓库生成

第四章 呼叫中心中的数据挖掘模型与实现
第一节 问题鉴别
第二节 解决方案
第三节 基于决策树的分类算法模型
第四节 C4.5算法构造信息需求分类和客户细分决策树实例
第五节 功能模块的实现
第六节 系统应用示例

第五章 QFII投资理念与持股偏好研究中数据收集与整理
第一节 外国机构投资者投资理念及持股偏好概述
第二节 QFII重仓股数据来源
第三节 因变量的选取
第四节 自变量的选取

第六章 QFII投资理念与持股偏好研究中数据挖掘模型与实现
第一节 重仓股家数变化趋势和行业分布
第二节 重仓股持有时间特征
第三节 描述性统计分析
第四节 相关性分析
第五节 持股偏好多元线性逐步回归分析
参考文献
附表
附表1 12家QFII基本情况及最新额度
附表2 瑞士银行的名称
附表3 12家QFII持有股票家数和行业情况汇总
附表4 各季度因变量和自变量的均值及样本个数
附表5 各季度因变量和自变量的方差及样本个数
附表6 2008年12月31日Y对上一个季度所有
自变量线性相关系数
附表7Y对上一个季度、本季度及未来一个季度的
所有自变量X逐步回归模型系数情况
附表8  两种方式回归结果对比
附录
附录一 数据仓库中的数据表架构
附录二 数据仓库关系图
附录三 QFII重仓股数据的获取过程
附录四 自变量数据的获得及缺失值处理
附录五 模型建立一数据分析过程