本书围绕数据挖掘竞赛，讲解了各种类型数据挖掘竞赛的解题思路、方法和技巧，并辅以对应的实战案例。全书共11章。第1章介绍数据挖掘竞赛的背景、意义和现状。从第2章开始，介绍了各种不同类型的数据挖掘竞赛包括结构化数据、自然语言处理、计算机视觉（图像）、计算机视觉（视频）、强化学习。每种类型的数据挖掘竞赛包含理论篇和实战篇：理论篇介绍通用的解题流程和关键技术；实战篇选取比较有代表性的赛题，对赛题的优秀方案进行深入分析，并提供方案对应的实现代码。 本书适合数据挖掘竞赛爱好者、人工智能相关专业在校大学生、人工智能方向从业人员及对人工智能感兴趣的读者阅读。

本书涵盖了金融数据分析的主要内容，从基础的数据理解、预处理，到高级的数据挖掘技术和模型构建，都有详尽的阐述。本书不仅介绍了数据分析的基本流程和方法，如发现问题、近因分析、根因分析、预测和制定解决方案等，还详细介绍了数据挖掘的方法论，如CRISP-DM和SEMMA等。这些技术和方法不仅具有理论价值，更具备实践意义，能够启发读者在实际业务中运用数据分析解决实际问题。 本书通过大量的案例展示如何运用数据解决实际问题，从数据理解、预处理，到模型构建、评估与应用，还涉及算法工程化内容，助力金融从业者及相关专业人士提升数据分析能力，挖掘数据价值，推动金融业务创新与决策优化。

本书涵盖了金融数据分析的主要内容，从基础的数据理解、预处理，到高级的数据挖掘技术和模型构建，都有详尽的阐述。本书不仅介绍了数据分析的基本流程和方法，如发现问题、近因分析、根因分析、预测和制定解决方案等，还详细介绍了数据挖掘的方法论，如CRISP-DM和SEMMA等。这些技术和方法不仅具有理论价值，更具备实践意义，能够启发读者在实际业务中运用数据分析解决实际问题。 本书通过大量的案例展示如何运用数据解决实际问题，从数据理解、预处理，到模型构建、评估与应用，还涉及算法工程化内容，助力金融从业者及相关专业人士提升数据分析能力，挖掘数据价值，推动金融业务创新与决策优化。

《SAS编程与数据挖掘商业案例》是作者多年来在企业实践工作中的经验总结，详细讲解了使用SAS进行商业数据挖掘的方法。其中包含了目前公开出版的诸多SAS教材没有的大量实战内容。《SAS编程与数据挖掘商业案例》内容全面、新颖独创、综合性强，适合企业人员使用，也可作为数学、统计学、金融、电子商务、医药等专业的本科生、硕士生学习SAS编程和数据挖掘的参考资料。

数据挖掘算法为大数据与人工智能的核心，掌握数据挖掘各算法的编程实现，有助于提升大数据的实践运用能力。本书详细阐述了数据挖掘常用算法与编程实现，同时，本书以多个经典的数据挖掘赛题为案例，详细论述了数据预处理、特征选择、可视化、算法选择等全流程数据挖掘过程的编程实现，有助于提升读者面对实际数据问题时灵活运用各类算法能力。

数据挖掘算法为大数据与人工智能的核心，掌握数据挖掘各算法的编程实现，有助于提升大数据的实践运用能力。本书详细阐述了数据挖掘常用算法与编程实现，同时，本书以多个经典的数据挖掘赛题为案例，详细论述了数据预处理、特征选择、可视化、算法选择等全流程数据挖掘过程的编程实现，有助于提升读者面对实际数据问题时灵活运用各类算法能力。

《SAS编程与数据挖掘商业案例》是作者多年来在企业实践工作中的经验总结，详细讲解了使用SAS进行商业数据挖掘的方法。其中包含了目前公开出版的诸多SAS教材没有的大量实战内容。《SAS编程与数据挖掘商业案例》内容全面、新颖独创、综合性强，适合企业人员使用，也可作为数学、统计学、金融、电子商务、医药等专业的本科生、硕士生学习SAS编程和数据挖掘的参考资料。

本书系统地介绍了数据挖掘理论、方法与应用，包括数据特征分析与预处理，经典数据挖掘算法（分类、回归、聚类、关联规则和集成学习等），大数据新常态下催生的数据分析方法（推荐系统、链接分析与网页排序、互联网信息抽取、日志挖掘与查询分析等）等理论与方法。在此基础上，每章均有基于Python语言的实例应用。本书可以作为高等院校数据科学与大数据技术专业相关课程的教材，以及计算机、软件工程等专业的教材或参考书。高职高专学校相关专业也可选用部分内容开展教学。

《数据挖掘(第2版)》较全面系统地介绍了数据挖掘中常用和常见的数据挖掘方法，以及文本与视频数据挖掘方法。《数据挖掘(第2版)》的主要内容包括：数据挖掘基本知识、数据挖掘预处理方法、决策树分类及其他分类方法、关联知识挖掘方法、各种聚类分析方法，以及文本挖掘所涉及表示、分类和聚类等方法，还包括视频挖掘所涉及的视频镜头检测、字幕提取、视频摘要和视频检索等主要分析方法。数据挖掘技术，又称为数据库知识发现，是20世纪90年代在信息技术领域开始迅速发展起来的计算机技术。作者结合自己近20年从事人工智能、机器学习、数据挖掘等方面的科研工作积累与教学经验，编著此书。

本书系统地介绍了数据挖掘理论、方法与应用，包括数据特征分析与预处理，经典数据挖掘算法（分类、回归、聚类、关联规则和集成学习等），大数据新常态下催生的数据分析方法（推荐系统、链接分析与网页排序、互联网信息抽取、日志挖掘与查询分析等）等理论与方法。在此基础上，每章均有基于Python语言的实例应用。本书可以作为高等院校数据科学与大数据技术专业相关课程的教材，以及计算机、软件工程等专业的教材或参考书。高职高专学校相关专业也可选用部分内容开展教学。