醫(yī)學(xué)數(shù)據(jù)挖掘（SQL Server2005案例分析）

第1章 醫(yī)學(xué)數(shù)據(jù)挖掘概述
1.1 數(shù)據(jù)挖掘概念
1.1.1 數(shù)據(jù)挖掘的產(chǎn)生
1.1.2 數(shù)據(jù)挖掘的定義
1.2 數(shù)據(jù)挖掘的任務(wù)
1.3 數(shù)據(jù)挖掘技術(shù)
1.4 數(shù)據(jù)挖掘工具——SQL Server 2005
1.5數(shù)據(jù)挖掘技術(shù)在醫(yī)學(xué)領(lǐng)域中的應(yīng)用特點(diǎn)、現(xiàn)狀及展望
本章小結(jié)
習(xí)題
第2章 數(shù)據(jù)挖掘方法和最佳實(shí)踐
2.1 為什么需要方法論
2.1.1 獲取不真實(shí)的知識
2.1.2 獲取真實(shí)但無用的知識
2.2 假設(shè)測試
2.3 數(shù)據(jù)挖掘的方法
本章小結(jié)
習(xí)題
第3章 決策樹
3.1 決策樹的概念
3.2 決策樹算法的基本原理
3.2.1 ID3算法
3.2.2 ID3算法的特點(diǎn)和面臨的問題
3.2.3 樹枝修剪
3.2.4 其他決策樹算法
3.3 利用Microsoft SQL Server 2005實(shí)踐決策樹算法
3.3.1 案例背景
3.3.2 Microsoft SQL Server 2005 Analysis Services操作步驟
本章小結(jié)
習(xí)題
第4章 回歸與時(shí)序算法
4.1 算法介紹
4.2 回歸分析
4.2.1 一元線性回歸分析
4.2.2 多元線性回歸分析
4.2.3 非線性回歸分析
4.3 時(shí)間序列分析
4.3.1 確定性時(shí)間序列分析方法
4.3.2 隨機(jī)時(shí)間序列分析
4.4 利用Microsoft SQL Server 2005實(shí)踐回歸與時(shí)序分析
4.4.1 案例背景
4.4.2 Microsoft SQL Server 2005 Analysis Services操作步驟
本章小結(jié)
習(xí)題
第5章 人工神經(jīng)網(wǎng)絡(luò)
5.1 人工神經(jīng)網(wǎng)絡(luò)簡介
5.2 人工神經(jīng)網(wǎng)絡(luò)建模基礎(chǔ)
5.2.1 生物神經(jīng)網(wǎng)絡(luò)
5.2.2 人工神經(jīng)元
5.2.3 M.P模型
5.2.4 人工神經(jīng)網(wǎng)絡(luò)分類
5.2.5 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)
5.3 感知器神經(jīng)網(wǎng)絡(luò)
5.3.1 單層感知器
5.3.2 多層感知器
5.3.3 誤差反傳（BP）算法
5.4 利用Microsoft SQL Servet 2005實(shí)踐神經(jīng)網(wǎng)絡(luò)算法
5.4.1 案例背景
5.4.2 Microsoft SQL Server 2005 Analysis Services操作步驟
本章小結(jié)
習(xí)題
第6章 關(guān)聯(lián)規(guī)則
6.1 關(guān)聯(lián)規(guī)則概述
6.2 關(guān)聯(lián)規(guī)則算法
6.2.1 單維布爾關(guān)聯(lián)規(guī)則挖掘
6.2.2 多層關(guān)聯(lián)規(guī)則挖掘
6.2.3 多維關(guān)聯(lián)規(guī)則挖掘
6.3 利用Microsoft SQL Server 2005實(shí)踐關(guān)聯(lián)規(guī)則算法
6.3.1 案例背景
6.3.2 Microsoft SQL Server 2005 Analysis Setvices操作步驟
本章小結(jié)
習(xí)顥
第7章 聚類分析
7.1 聚類分析相關(guān)概念及其分類
7.1.1 相似性測量
7.1.2 聚類分析算法簡介
7.2 k-Means算法
7.3 EM算法
7.4 利用Microsoft SQL Serlver 2005實(shí)踐聚類分析算法
7.4.1 案例背景
7.4.2 Microsoft SQL Server 2005 Analysis Setvices操作步驟
本章小結(jié)
習(xí)題
附錄A SQL Server 2005數(shù)據(jù)庫的安裝
附錄B 數(shù)據(jù)挖掘模擬試題（一）
附錄C 數(shù)據(jù)挖掘模擬試題（二）
參考文獻(xiàn)