目前，数据挖掘类课程已成为我国新工科教育的数据科学思维提升课程，成为信息、电子等各类工科专业本科生与研究生的必修课。本书深入浅出地介绍了数据挖掘和数据分析的知识、常用的各类算法；系统梳理与比较各类算法的优缺点与适用场景。本书内容结合作者多年的科研和教学经验，大量案例来自作者的项目和科研成果，不仅适合作为大数据特色类专业的本科生和研究生教材，同时也适合机械、航空等其他工科专业的入门与自学教材，还可作为各专业本科生与研究生考试复习的参考资料。

本书基于北京大学光华管理学院“数据挖掘与应用”课程。书中系统、全面地介绍了数据挖掘领域的理论、技术工具以及实践方法。主要内容包括：数据挖掘方法论、数据理解和数据准备、缺失数据、关联规则挖掘、多元统计降维、聚类分析、线性回归和广义线性回归、回归模型规则化、神经网络、决策树、支持向量机、模型评估、模型组合、协同过滤等。 书中在每种数据挖掘技术后，均辅以大量医疗、金融、营销、保险、政府部门等应用案例，并均配有相关应用的 SAS 和 R 代码，以及视频课程二维码。 第二版在头一版的基础上，增加了缺失数据、回归模型中的规则化和变量选择、卷积神经网络、支持向量机、协同过滤这5章内容。在已有各章内，本书亦增加了新的内容和示例。近些年来，R因为其自由、免费、开源，已经发展为数据分析领域*强大的软件之一。因此，本书除了继续展示 SAS 程序，还增加了 R 程序。

《数据挖掘与应用》全面地介绍了数据挖掘的相关主题.包括数据理解与数据准备、关联规则挖掘、多元统计中的降维方法、聚类分析、神经网络、决策树方法、模型评估等内容。全书体系完整，文字精炼，注重对数据挖掘方法的直觉理解及其应用：同时，保持了一定的严谨性，为学生理解和运用这些方法提供了坚实的基础。 《数据挖掘与应用》实例丰富，并附有相应SAS程序，以便于学生尽快理解相关内容并用以解决实际问题。 《数据挖掘与应用》配有教辅，可以免费提供给任课教师使用。如需要，欢迎填写书后的“教师反馈及课件申请表’索取。

很多学科都面临着一个普遍问题：如何存储、访问异常庞大的数据集，并用模型来描述和理解它们？这些问题使得人们对数据挖掘技术的兴趣不断增强。长期以来，很多相互独立的不同学科分别致力于数据挖掘的各个方面。本书把信息科学、计算科学和统计学在数据挖掘方面的应用融合在一起，是第一本真正和跨学科教材。 本书由三部分构成。第一部分是基础，介绍了数据挖掘算法及其应用所依赖的基本原理。讲座方法直观易懂，深入浅出。第二部分是数据挖掘算法，系统讲座了如何构建求解特定问题的不同算法。讲座的内容包括用于分类和回归的树及规则、关联规则、信念网络、传统统计模型，以及各种非线性模型，比如神经网络和“基于记忆”的局部模型。第三部分介绍了如何应用前面讲座的算法和原理来解决现实世界中的数据挖掘问题。谈到的问题包括元数据的作用，如何处理残缺数据，以及数据预处理。

很多学科都面临着一个普遍问题：如何存储、访问异常庞大的数据集，并用模型来描述和理解它们？这些问题使得人们对数据挖掘技术的兴趣不断增强。长期以来，很多相互独立的不同学科分别致力于数据挖掘的各个方面。本书把信息科学、计算科学和统计学在数据挖掘方面的应用融合在一起，是第一本真正和跨学科教材。 本书由三部分构成。第一部分是基础，介绍了数据挖掘算法及其应用所依赖的基本原理。讲座方法直观易懂，深入浅出。第二部分是数据挖掘算法，系统讲座了如何构建求解特定问题的不同算法。讲座的内容包括用于分类和回归的树及规则、关联规则、信念网络、传统统计模型，以及各种非线性模型，比如神经网络和“基于记忆”的局部模型。第三部分介绍了如何应用前面讲座的算法和原理来解决现实世界中的数据挖掘问题。谈到的问题包括元数据的作用，如何处理残缺数据，以及数据预处理。

本书介绍数据挖掘理论与应用过程。在基础理论部分，主要内容包括数据挖掘的基本概念、数据挖掘的预处理、聚类分析、分类和回归算法、关联规则挖掘、异常检测；在应用部分，结合通信行业、Web内容挖掘等具体实例讨论数据挖掘方法的实际应用。本书附录中特别介绍了数据挖掘10个经典算法和10个挑战问题。

本书介绍数据挖掘理论与应用过程。在基础理论部分，主要内容包括数据挖掘的基本概念、数据挖掘的预处理、聚类分析、分类和回归算法、关联规则挖掘、异常检测；在应用部分，结合通信行业、Web内容挖掘等具体实例讨论数据挖掘方法的实际应用。本书附录中特别介绍了数据挖掘10个经典算法和10个挑战问题。

本书从数据挖掘基础、数据挖掘经典算法、数据挖掘业务建模与模型评价、SPSS Clementine数据挖掘实务这4方面对数据挖掘技术进行了全面介绍。本书共24章，分为4部分。第1部分介绍数据挖掘的基本概念及数据挖掘应用的基本原理。第2部分介绍了回归分析、贝叶斯网络、聚类分析、决策树算法、关联规则、粗糙集、神经网络模型、遗传算法等。第3部分是数据挖掘建模和模型模型评价的基础知识。第4部分包括SPSS Clementine数据挖掘项目的实现和具体实施，以及3个典型案例。

本书从数据挖掘基础、数据挖掘经典算法、数据挖掘业务建模与模型评价、SPSS Clementine数据挖掘实务这4方面对数据挖掘技术进行了全面介绍。本书共24章，分为4部分。第1部分介绍数据挖掘的基本概念及数据挖掘应用的基本原理。第2部分介绍了回归分析、贝叶斯网络、聚类分析、决策树算法、关联规则、粗糙集、神经网络模型、遗传算法等。第3部分是数据挖掘建模和模型模型评价的基础知识。第4部分包括SPSS Clementine数据挖掘项目的实现和具体实施，以及3个典型案例。

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。