2.1 数据类型. 2 2.1.1 离散型数据.2 2.1.2 连续型数据.2 2.2 数据预处理. 2 2.2.1 数据预处理的原因.2 2.2.2 数据预处理的主要步骤.3 2.3 数据清理. 5 2.3.1 空缺值.5 2.3.2 噪声数据.5 2.4 数据集成. 7 2.4.1 实体识别问题.7 2.4.2 数据冗余.7 2.4.3 元组重复.8 2.5 数据归约. 8 2.5.1 数据立方体聚集.9 2.5.2 维归约.10 2.5.3 数量归约.11 2.5.4 数据压缩.12 2.6 数据变换. 12 2.6.1 数据规范化.12 2.6.2 数据离散化与概念分层.13 2.7 数据预处理的软件操作（SPSS Modeler）. 16 2.7.1 数据类型.16 2.7.2 数据清理.17 （1）缺失值与无效值.17 （2）孤立值和极值.22 2.7.3 数据集成.25 （1）纵向追加.25 （2）横向合并.26 （3）元组重复.28 2.7.4 数据归约.29 （1）抽样.29 （2）分箱.32 （3）特征选择.36 （4）因子分析.37 2.7.5 数据变换.40

1.1 什么是数据挖掘. 2 1.2 数据挖掘的步骤. 2 1.3 数据挖掘的主要功能. 4 1.3.1 预测性.4 1.3.2 描述性.5 1.4 在何种数据上进行数据挖掘. 7 1.4.1 数据库数据.7 1.4.2 数据仓库.8 1.4.3 事务数据.8 1.5 数据挖掘的工具. 8 1.6 数据挖掘研究的主要方向. 9 1.6.1 数据挖掘的方法.9 1.6.2 用户交互技术.9 1.6.3 数据挖掘的性能和可扩展性.9 1.6.4 针对不同数据或数据源的数据挖掘技术 .9 1.7 数据挖掘的应用领域. 10 1.8 SPSS Modeler 软件使用概述. 10 1.8.1 软件简介.10 1.8.2 软件窗口.12 1.8.3 数据流的基本操作.13

第1章计算机概述 第2章编程基础 第3章C与C++语言及开发环境 第4章数据类型和基本语句 第5章条件选择结构 第6章循环结构 第7章数组与字符串 第8章指针 第9章函数 第10章结构体与枚举 第11章文件

一 基础概念的理解 二 人工智能的历史与发展 三 中国人工智能的发展 四 人工智能与金融的结合：智能金融场景与价值 五 课程实践环境

一 聚类的经济学需求 二 聚类算法与实现 三 聚类的金融案例

一 降维概述 二 线性降维 三 非线性降维 四 降维代码实践 五 案例或论文

一 隐私计算及其应用介绍 二 隐私计算三大类别 三 隐私计算实践

一 智能优化概述 二 遗传算法 三 宽基指数择时因子的挖掘

一 数据不够，算法来凑：半监督学习 二 博采众家之长：集成学习 三 以人为师的思想 四 因果科学的新起点 五 AIGC的时代 六 与人连接的挑战：脑机接口 七 MOSS与金融：量子金融

一 关联规则分析与算法原理 二 编程实现与案例 三 关联规则在推荐系统中的应用