本书为数据挖掘的基础教程，是作者多年来从事数据挖掘和专家系统课程教学经验的总结。它从商业角度介绍了数据挖掘的原理以及从数据中提取隐含模式的技术。本书首先帮助读者建立起数据挖掘的概念，进而通过13个数据挖掘示例帮助读者掌握数据挖掘的原理。本书的*后部分还介绍了结合专家系统和智能代理解决复杂问题的方法。
本书适合作为信息管理系统（MIS）和计算机科学专业的大学教授。它还可以为研究生提供数据挖掘和知识发现的基础知识。它也适合对使用数据挖掘解决商业问题感兴趣的专业人士作为自学指导。

第I部分 数据挖掘基础
第1章 数据挖掘：初探
1.1 数据挖掘：定义
1.2 计算机可以学习什么
1.3 数据挖掘是否适合自身的问题
1.4 采用专家系统还是数据挖掘
1.5 一个简单的数据挖掘处理模型
1.6 为什么不进行简单的搜索
1.7 数据挖掘应用
1.8 本章小结
1.9 关键术语
1.10 练习
第2章 数据挖掘：深入讨论
2.1 数据挖掘策略
2.2 有指导的数据挖掘技术
2.3 关联规则
2.4 聚类技术
2.5 ��估性能
2.6 本章小结
2.7 关键术语
2.8 练习
第3章 基本数据挖掘技术
3.1 决策树
3.2 生成关联规则
3.3 K-平均值算法
3.4 遗传学习
3.5 选择一种数据挖掘技术
3.6 本章小结
3.7 关键术语
3.8 练习
第4章 基于Excel的数据挖掘工具
4.1 iData分析器
4.2 ESX：一种多用途的数据挖掘工具
4.3 iDAV格式的数据挖掘
4.4 用于无指导聚类的5步法
4.5 用于有指导学习的6步法
4.6 生成规则技术
4.7 实例典型性
4.8 特别考虑和特性
4.9 本章小结
4.10 关键术语
4.11 练习
第II部分 知识发现工具
第5章 数据库中的知识发现
5.1 一种KDD过程模型
5.2 步骤1：目标定义
5.3 步骤2：创建目标数据集
5.4 步骤3：数据预处理
5.5 步骤4：数据转换
5.6 步骤5：数据挖掘
5.7 步骤6：解释和评估
5.8 步骤7：采取行动
5.9 CRISP－DM过程模型
5.10 ESX实验
5.11 本章小结
5.12 关键术语
5.13 练习
第6章 数据仓库
6.1 操作型数据库
6.2 设计数据仓库
6.3 联机分析处理
6.4 用Excel数据透视表分析数据
6.5 本章小结
6.6 关键术语
6.7 练习
第7章 形式评估技术
7.1 评估对象
7.2 评估工具
7.3 计算检验集置信区间
7.4 比较有指导学习者模型
7.5 属性评估
7.6 无指导评估技术
7.7 评估具有数值输出的有指导模型
7.8 本章小结
7.9 关键术语
7.10 练习
第III部分 **数据挖掘技术
第8章 神经网络
8.1 前馈神经网络
8.2 神经网络训练：概念介绍
8.4 一般考虑
8.5 神经网络训练：详细说明
8.6 本章小结
8.7 关键术语
8.8 练习
第9章 使用iDA建立神经网络
9.1 反向传播学习的4步法
9.2 神经网络聚类4步法
9.3 使用ESX进行神经网络簇分析
9.4 本章小结
9.5 关键术语
9.6 练习
第10章 统计技术
第11章 专门技术
第IV部分 智能系统
第12章 基于规则的系统
第13章 基于规则的系统中不确定性的管理
第14章 智能代理
附录A iDA软件
附录B 数据挖掘数据集
附录C 决策树属性选取
附录D 性能评估的统计
附录E Excel数据透视表：Office 97

本书首先帮助读者建立起数据挖掘的概念，进而通过13个数据挖掘示例帮助读者掌握数据挖掘的原理。本书的*后部分还介绍了结合专家系统和智能代理解决复杂问题的方法。本书适合作为信息管理系统（MIS）和计算机科学专业的大学教授。它还可以为研究生提供数据挖掘和知识发现的基础知识。它也适合对使用数据挖掘解决商业问题感兴趣的专业人士作为自学指导。