數據挖掘導論
本書為數據挖掘入門級教材，共分8章，主要內容分為三個專題：技術、數據和評估。技術專題包括決策樹技術、K-means算法、關聯分析技術、神經網絡技術、回歸分析技術、貝葉斯分析、凝聚聚類、概念分層聚類、混合模型聚類技術的EM算法、時間序列分析和基於Web的數據挖掘等常用的機器學習方法和統計技術。數據專題包括數據庫中的知識發現處理模型和數據倉庫及OLAP技術。
評估專題包括利用檢驗集分類正確率和混淆矩陣，並結合檢驗集置信區間評估有指導學習模型，使用無指導聚類技術評估有指導模型，利用Lift和假設檢驗比較兩個有指導學習模型，使用MSExcel2010和經典的假設檢驗模型評估屬性，使用簇質量度量方法和有指導學習技術評估無指導聚類模型。
本書秉承教材風格，強調廣度講解。注重成熟模型和開源工具的使用，以提高學習者的應用能力為目標；注重結合實例和實驗，加強基本概念和原理的理解和運用；注重實例的趣味性和生活性，提高學習者學習的積極性。使用章後練習、計算和實驗作業鞏固和檢驗所學內容；使用詞匯表附錄，解釋和規范數據挖掘學科專業術語；使用適合教學的簡單易用開源的Weka和通用的MSExcel軟件工具實施數據挖掘驗證和體驗數據挖掘的精妙。
本書可作為普通高等院校計算機科學、信息科學、數學和統計學專業的入門教材，也可作為如經濟學、管理學、檔案學等對數據管理、數據分析與數據挖掘有教學需求的其他相關專業的基礎教材。同時，對數據挖掘技術和方法感興趣，致力於相關方面的研究和應用的其他讀者，也可以從本書中獲取基本的指導和體驗。
本書配有教學幻燈片、大部分章後習題和實驗的參考答案以及課程大綱。
