數(shù)據(jù)挖掘：方法與應用（應用案例）

第1章 緒論
1．1 本書背景
1．2 數(shù)據(jù)挖掘應用概述
1．3 本書的主要內(nèi)容安排
1．4 小結(jié)

第2章 基于GPS信息的出租車行車軌跡數(shù)據(jù)挖掘
2．1 概述
2．2 出租車GPS數(shù)據(jù)挖掘問題描述
2．3 基于GPS數(shù)據(jù)的出租車軌跡挖掘與分析
2．4 挖掘任務點評
2．5 小結(jié)

第3章 NBA比賽結(jié)果預測
3．1 問題背景
3．2 數(shù)據(jù)采集
3．2．1 數(shù)據(jù)來源
3．2．2 數(shù)據(jù)采集方法
3．2．3 原始數(shù)據(jù)
3．3 挖掘方法
3．3．1 挖掘的目標與實現(xiàn)思路
3．3．2 預測特征選取
3．4 分類和預測方法
3．5 預測結(jié)果的分析和對比
3．5．1 使用球隊平均數(shù)據(jù)預測比賽結(jié)果
3．5．2 使用球隊近期數(shù)據(jù)預測比賽結(jié)果
3．6 挖掘任務點評
3．7 小結(jié)
參考文獻

第4章 大型商業(yè)銀行后臺運維數(shù)據(jù)故障分析
4．1 概述
4．1．1 應用背景
4．1．2 主要研發(fā)內(nèi)容
4．2 相關方法回顧
4．2．1 主成分分析法
4．2．2 前向特征選擇法
4．2．3 隨機森林方法
4．3 交易超時故障預測方法設計與實現(xiàn)
4．3．1 問題定義
4．3．2 工作流程
4．3．3 數(shù)據(jù)預處理
4．3．4 降維處理
4．3．5 預測模型
4．3．6 防范模型
4．3．7 評價方法
4．4 綜合系統(tǒng)的設計與實現(xiàn)
4．4．1 系統(tǒng)框架
4．4．2 數(shù)據(jù)預處理模塊
4．4．3 隨機森林模塊
4．4．4 展示模塊
4．4．5 最終效果模塊
4．5 結(jié)果分析與評價
4．5．1 實驗數(shù)據(jù)
4．5．2 交易故障預測相關實驗
4．6 挖掘任務點評
4．7 小結(jié)
4．7．1 總結(jié)
4．7．2 展望
參考文獻

第5章 RNA排序預測
5．1 概述
5．2 研發(fā)現(xiàn)狀
5．2．1 內(nèi)部核糖體進入位點的數(shù)據(jù)挖掘研發(fā)現(xiàn)狀
5．2．2 冷凍電鏡圖像蛋白質(zhì)顆粒挑選研究現(xiàn)狀
5．3 工作設計與實現(xiàn)
5．3．1 基本的設計框架與實現(xiàn)思路
5．3．2 核心挖掘模型設計與實現(xiàn)
5．4 應用實現(xiàn)
5．4．1 實現(xiàn)程序與功能
5．4．2 數(shù)據(jù)挖掘分析結(jié)果展示
5．5 操作說明
5．6 挖掘任務點評
5．7 小結(jié)
參考文獻

第6章 “樂學”微信公眾號關注趨勢分析
6．1 前言
6．1．1 研究背景
6．1．2 數(shù)據(jù)來源
6．1．3 數(shù)據(jù)預處理
6．1．4 研究思路
6．2 平臺發(fā)展現(xiàn)狀
6．2．1 平臺用戶特性
6．2．2 平臺傳播狀態(tài)
6．2．3 便捷操作發(fā)展狀況
6．3 推送發(fā)展模式探究
6．3．1 成功推送案例分析
6．3．2 理想發(fā)展模式探究
6．3．3 不同模式下的平臺關注量預測
6．3．4 推送發(fā)展的改進思路
6．4 便捷操作功能探究
6．4．1 用戶使用習慣分析
6．4．2 便捷操作功能的改進思路
6．5 挖掘任務點評
6．6 小結(jié)
參考文獻

第7章 保險行業(yè)客戶特征識別
7．1 概述
7．2 數(shù)據(jù)挖掘問題描述
7．2．1 問題背景
7．2．2 關于數(shù)據(jù)集
7．3 保險客戶特征識別與分析
7．3．1 數(shù)據(jù)預處理
7．3．2 挖掘與分析結(jié)果
7．4 挖掘任務點評
7．5 小結(jié)
參考文獻

第8章 電力系統(tǒng)不良數(shù)據(jù)辨識案例分析
8．1 概述
8．1．1 電力系統(tǒng)不良數(shù)據(jù)辨識
8．1．2 數(shù)據(jù)介紹
8．2 研究內(nèi)容
8．2．1 基于GSA的k-means聚類
8．2．2 基于有效指數(shù)的k-means聚類
8．2．3 模糊C-means聚類
8．3 總結(jié)分析
8．3．1 不良數(shù)據(jù)辨識結(jié)果對比
8．3．2 不良數(shù)據(jù)分析
8．4 挖掘任務點評
8．5 小結(jié)

第9章 總結(jié)