知识发现是从数据集中识别出有效的、新颖的、潜在有用的，以及最终可理解的模式的非平凡过程。知识发现将信息变为知识，从数据资源中发现知识宝藏，将为知识创新和知识经济的发展作出贡献。
    《知识发现》全面而又系统地介绍了知识发现的方法和技术，反映了当前知识发现研究的最新成果和进展。全书共分15章。第1章是绪论，概述知识发现的重要概念和发展过程。下面三章重点讨论分类问题，包括决策树、支持向量机和迁移学习。第5章阐述聚类分析。第6章是关联规则。第7章讨论粗糙集和粒度计算。第8章介绍神经网络，书中着重介绍几种实用的算法。第9章探讨贝叶斯网络。第10章讨论隐马尔可夫模型。第11章探讨图挖掘。第12章讨论进化计算和遗传算法。第13章探讨分布式知识发现，它使海量数据挖掘成为可能。最后两章以web知识发现、认知神经科学为例，介绍知识发现的应用。
    书中内容新颖，认真总结了作者的科研成果，取材国内外最新资料，反映了当前该领域的研究水平。论述力求概念清晰，表达准确，算法丰富，突出理论联系实际，富有启发性。
    《知识发现》可以用作高等院校有关专业的研究生和高年级本科生的知识发现、数据挖掘、机器学习等课程教材，也可供从事知识发现、数据挖掘、机器学习、智能信息处理、模式识别、智能控制研究和知识管理的科技人员阅读参考。

第1章 绪论
1.1 知识
1.2 知识发现的过程
1.3 知识发现的任务
1.4 知识发现的方法
1.4.1 统计方法
1.4.2 机器学习
1.4.3 神经计算
1.4.4 可视化
1.5 知识发现的对象
1.5.1 数据库
1.5.2 文本
1.5.3 Web信息
1.5.4 空间数据
1.5.5 图像和视频数据
1.6 知识发现系统

第2章 决策树
2.1 归纳学习
2.2 决策树学习
2.3 CLS学习算法
2.4 ID3学习算法
2.4.1 信息论简介
2.4.2 信息论在决策树学习中的意义及应用
2.4.3 ID3算法
2.4.4 ID3算法应用举例
2.4.5 C4.5算法
2.5 决策树的改进算法
2.5.1 二叉树判定算法
2.5.2 按信息比值进行估计的方法
2.5.3 按分类信息估值
2.5.4 按划分距离估值的方法
2.6 决策树的评价
2.7 简化决策树
2.7.1 简化决策树的动机
2.7.2 决策树过大的原因
2.7.3 控制树的大小
2.7.4 修改测试属性空间
2.7.5 改进测试属性选择方法
2.7.6 对数据进行限制
2.7.7 改变数据结构
2.8 连续性属性离散化
2.9 基于偏置变换的决策树学习算法BSDT
2.9.1 偏置的形式化
2.9.2 表示偏置变换
2.9.3 算法描述
2.9.4 过程偏置变换
2.9.5 基于偏置变换的决策树学习算法BSDT
2.9.6 经典案例库维护算法TCBM
2.9.7 偏置特征抽取算法
2.9.8 改进的决策树生成算法GSD
2.9.9 实验结果
2.10 单变量决策树的并行处理
2.10.1 并行决策树算法
……

第3章 支持向量机
第4章 迁移学习
第5章 聚类分析
第6章 关联规则
第7章 粗糙集
第8章 神经网络
第9章 贝叶斯网络
第10章 隐马尔可夫模型
第11章 图挖掘
第12章 进化计算
第13章 分布式知识发现
第14章 Web知识发现
第15章 认知神经科学知识发现
参考文献