1

1 (p1): 第1篇 理论篇
1 (p1-1): 第1章 数据挖掘简介
2 (p1-1-1): 1.1 数据挖掘的起源、定义及目标
2 (p1-1-2): 1.2 数据挖掘的发展历程
4 (p1-1-3): 1.3 SPSS Modeler和Weka基础操作
4 (p1-1-3-1): 1.3.1 SPSS Modeler软件简介
5 (p1-1-3-2): 1.3.2 建立一个SPSS Modeler项目
8 (p1-1-3-3): 1.3.3 Weka软件环境简介
9 (p1-1-3-4): 1.3.4 Weka简单操作实例
15 (p1-2): 第2章 数据挖掘方法论
16 (p1-2-1): 2.1 数据挖掘方法论
16 (p1-2-1-1): 2.1.1 CRISP-DM
16 (p1-2-1-2): 2.1.2 SEMMA
17 (p1-2-2): 2.2 数据库中的知识挖掘步骤
17 (p1-2-2-1): 2.2.1 字段选择
18 (p1-2-2-2): 2.2.2 数据清洗
18 (p1-2-2-3): 2.2.3 字段扩充
19 (p1-2-2-4): 2.2.4 数据编码
20 (p1-2-2-5): 2.2.5 数据挖掘
21 (p1-2-2-6): 2.2.6 结果呈现
22 (p1-2-3): 2.3 案例：运用SPSS Modeler和Weka做客户的信用风险评分模型
22 (p1-2-3-1): 2.3.1 案例说明
23 (p1-2-3-2): 2.3.2 案例实操
28 (p1-2-3-3): 2.3.3 运用SPSS Modeler进行初步的数据挖掘
34 (p1-2-3-4): 2.3.4 运用Weka进行数据汇入
36 (p1-2-3-5): 2.3.5 Weka自有数据存储格式arff简介
38 (p1-3): 第3章 基本的数据挖掘技术
39 (p1-3-1): 3.1 描述性统计
39 (p1-3-1-1): 3.1.1 案例：通过数据判断客户是否需要新增电话线路
40 (p1-3-1-2): 3.1.2 案例：运用描述性统计分析杂志社的客户特征
42 (p1-3-2): 3.2 可视化技术
44 (p1-3-3): 3.3 KNN原理及实例
44 (p1-3-3-1): 3.3.1 KNN（K最近邻）算法
45 (p1-3-3-2): 3.3.2 使用KNN算法计算距离
49 (p1-3-3-3): 3.3.3 案例：使用KNN算法向用户推荐电影
52 (p1-3-4): 3.4 案例：运用Weka的KNN算法对诊断结果进行预测
52 (p1-3-4-1): 3.4.1 案例说明
53 (p1-3-4-2): 3.4.2 运用Weka中的IBk模型进行预测
58 (p1-3-5): 3.5 案例：运用SPSS Modeler的KNN算法预测客户是否接受人寿保险推销
58 (p1-3-5-1): 3.5.1 案例说明
59 (p1-3-5-2): 3.5.2 案例实操
68 (p1-4): 第4章 数据挖掘进阶技术
69 (p1-4-1): 4.1 数据挖掘的功能分类
69 (p1-4-1-1): 4.1.1 描述型数据挖掘（无监督数据挖掘）
70 (p1-4-1-2): 4.1.2 预测型数据挖掘（有监督数据挖掘）
72 (p1-4-2): 4.2 数据挖掘的绩效增益
72 (p1-4-2-1): 4.2.1 数据挖掘模型评估指标：正确率、响应率、查全率、F值
74 (p1-4-2-2): 4.2.2 数据挖掘模型评估指标：Gain Chart
75 (p1-4-2-3): 4.2.3 数据挖掘模型评估指标：Lift Chart
76 (p1-4-2-4): 4.2.4 数据挖掘模型评估指标：Profit Chart
77 (p1-4-3): 4.3 数据挖掘网站
77 (p1-4-3-1): 4.3.1 KDnuggets
80 (p1-4-3-2): 4.3.2 Kaggle
82 (p1-4-4): 4.4 案例：评估新产品的促销活动效果
83 (p1-4-4-1): 4.4.1 案例说明
83 (p1-4-4-2): 4.4.2 数据及字段描述
85 (p1-4-4-3): 4.4.3 效能评估方式
85 (p1-4-4-4): 4.4.4 比赛结果排名
87 (p2): 第2篇 准备篇
87 (p2-1): 第5章 数据预处理
88 (p2-1-1): 5.1 字段选择
88 (p2-1-1-1): 5.1.1 数据整合
88 (p2-1-1-2): 5.1.2 数据过滤
89 (p2-1-1-3): 5.1.3 案例：运用SPSS Modeler过滤数据
92…