与十年前相比，数据挖掘作为数据分析与决策支持的重要技术，已在各行各业得到了更为广泛的应用。随着网络和IT技术的不断发展，数据挖掘应用必将更加深入和普及。作者根据自己十多年教授“数据挖掘”课程的经验积累，编写了这本教材。《数据挖掘导论》全面系统地介绍了数据挖掘的主要方法，并配有许多应用案例，使得读者能够更加容易地理解这些数据挖掘方法。同时《数据挖掘导论》每章后还配有许多思考题，使得这本书更适合作为“数据挖掘”课程的教材。本书的主要内容包括数据挖掘概述、数据仓库与在线分析、分类挖掘、关联挖掘、聚类挖掘、异类挖掘、数据流挖掘、文本挖掘以及数据挖掘应用与数据挖掘云等。本书适合作为高等院校高年级本科生、研究生相关课程的教材或参考书。对从事数据挖掘应用的技术人员以及希望了解数据挖掘方法与应用的广大数据挖掘用户，本书也具有一定的参考价值。

Facebook、Twitter和LinkedIn产生了大量宝贵的社交数据，但是怎样才能找出谁通过社交媒介正在进行联系？他们在讨论些什么？或者他们在哪儿？本书简洁而且具有可操作性，它将揭示如何回答这些问题甚至更多的问题。你将学到如何组合社交网络数据、分析技术，如何通过可视化帮助你找到你一直在社交世界中寻找的内容，以及你闻所未闻的有用信息。本书每章都介绍了在社交网络的不同领域挖掘数据的技术，这些领域包括博客和电子邮件。你所需要具备的就是一定的编程经验和学习基本的Python工具的意愿。通过本书，你将 . 获得对社交网络世界的直观认识 .使用GitHub上灵活的脚本来获取从诸如Twitter、Facebook和LinkedIn等社交网络API中的数据　. 学习如何应用便捷的Python工具来交叉分析你所收集的数据 . 通过XFN探讨基于微格式的社交联系 . 应用诸如TF-IDF、余弦相似性、搭配分析、文档摘要、派系检测之类的先进挖掘技术 . 通过基于HTML 5和JavaScript工具包的网络技术建立交互式可视化

数据挖掘是近年来计算机科学中最活跃的研究分支之一。《数据挖掘算法与应用》分三部分介绍数据挖掘中的三个热点：空间数据挖掘、半监督学习与流形学习，并分别介绍了这三个研究热点的研究背景、研究现状、存在问题、最新算法与应用等。《数据挖掘算法与应用》在论述这三个研究热点的研究现状并分析了存在的问题后，面向实际需要，提出最新的模型、算法与技术。这些模型与算法以作者研究成果为基础，具有一定的创新性与实际应用价值。这些成果可帮助广大研究工作者与工程技术人员拓展思路，并为数据挖掘的理论应用提供借鉴。《数据挖掘算法与应用》可供数据挖掘、机器学习及相关专业的研究人员、教师、研究生和工程人员参考。

《SAS统计分析与数据挖掘》基于SAS 9.2版本编写，从SAS编程出发，用案例形式介绍SAS数据挖掘在各领域的广泛应用，全书分为SAS基础篇、提高篇及应用篇，每章均给出大量分析案例。具体内容为SAS软件与数据挖掘简介，SAS编程基础，图形与报表制作，描述性分析，假设检验，回归分析，方差分析与因子分析，相关分析与对应分析，判别分析，聚类分析，生存分析，时间序列分析，以及SAS在具体数据挖掘项目中的应用等。《SAS统计分析与数据挖掘》最大特点是抛弃了其他同类书籍中只说理论、缺少案例分析的弊病，全书给出大量数据挖掘分析案例，为读者展示SAS在数据整合、数据挖掘、商业智能、金融数据分析、金融风险管理等项目中的强大应用技术。配套光盘中有实例的操作视频以及相关源程序文件。

《MongoDB管理与开发精要》内容有三大特点：系统而全面，内容包含MongoDB开发、管理、维护和性能优化等方方面面；详细而深入，不仅对MongoDB的开发和管理方法进行了详尽的讲解，而且还对MongoDB的工作机制进行了深入的剖析；注重实战，尝试通过实践中的案例来帮助读者理解使用MongoDB数据库时遇到的各种问题的症结之所在，并给出了解决方案。本书一共分为六篇：一基础篇，主要讲解了MongoDB的基础理论和基本操作，学习完这部分内容可以掌握MongoDB的基本操作；二高级篇，讲解了高级查询、高级更新、高级功能应用等MongoDB的高级技术，掌握这部分内容后就能熟练地应用MongoDB来完成日常的工作；三管理篇，详细介绍了MongoDB常用的运维管理工具、各种管理命令以及访问控制方面的技术，掌握这部分内容后就能具备一位MongoDB DBA所具有的全部技能；四性能篇，详细阐述了MongoDB的索引、优化，以及性能监控方面的知识，这部分内容将使读者具备对MongoDB进行调优的能力；五架构篇，重点讲解了主从复制、分片等高可用架构的细节，掌握这部分内容后就可以独立设计出MongoDB应用系统的架构；六开发篇，讲解了如何用C#和Java来操作MongoDB数据库，掌握这部分内容后就可以将C#和Java开发技术与MongoDB数据库结合起来，从而完成特定应用系统的开发。

数据仓库与数据挖掘是决策支持的两项重要技术，它们共同的特点是都需要利用大量的数据资源，并从数据资源中提取信息和知识。由于数据资源丰富，因此数据仓库与数据挖掘的决策支持效果显著。《高等院校信息管理与信息系统专业系列教材：数据仓库与数据挖掘教程（第2版）》系统介绍数据仓库原理，联机分析处理，数据仓库设计与开发，数据仓库的决策支持，数据挖掘原理，基于信息论的决策树方法，基于集合论的粗糙集方法、K-均值聚类、关联规则挖掘，仿生物技术的神经网络，遗传算法，公式发现，知识挖掘，文本挖掘与Web挖掘。《高等院校信息管理与信息系统专业系列教材：数据仓库与数据挖掘教程（第2版）》从数据仓库的兴起来说明决策支持的特点，从数据挖掘的理论基础来说明数据挖掘的方法，并通过实例来详细讲解。希望读者在学习之后，亲自在计算机上去实践，这样才能更有效地掌握数据挖掘的方法。

《数据挖掘基础与应用（SQL Server 2008）》介绍了数据挖掘技术，然后虚拟一个“邦邦超市”，通过使用SQL语言建立该超市的数据库并对数据进行操作，再进一步利用SQLServer2008的数据挖掘模型对超市积累的数据进行挖掘，以实际例子帮助读者迅速理解并掌握数据挖掘技术，学会使用SQLServer2008提供的数据挖掘工具，提高零售企业的信息利用能力和经营水平。对于想要了解数据挖掘技术及其应用的读者，《数据挖掘基础与应用（SQL Server 2008）》是很好的参考读物。

《空间数据挖掘及其相关问题研究》围绕空间数据挖掘的相关技术进行了卓有成效的研究。首先，研究了数据聚类有关问题；接着，提出了一个改进的支持大的数据集和任意形状聚类、且具有良好的抗噪性能和能满足高维数据要求的算法；然后，分析了与空间数据挖掘和分析相关的空间索引及查询技术；最后，设计了一个融合神经网络、模糊集和遗传算法的空间数据挖掘系统。《空间数据挖掘及其相关问题研究》可作为人工智能、模式识别、空间数据库、统计学、空间信息系统和网络等学科相关专业学生的教材及参考资料。

作为云计算所青睐的分布式架构，Hadoop 是一个用Java 语言实现的软件框架，在由大量计算机组成的集群中运行海量数据的分布式计算，是谷歌实现云计算的重要基石。本书分为3 个部分，深入浅出地介绍了Hadoop 框架、编写和运行Hadoop 数据处理程序所需的实践技能及Hadoop 之外更大的生态系统。《Hadoop实战》适合需要处理大量离线数据的云计算程序员、架构师和项目经理阅读参考。

《高等学校计算机规划教材：数据挖掘原理与实践》分为数据挖掘理论和数据挖掘实践两大部分。基础理论部分的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、分类与回归、关联规则挖掘、例外点检测。数据挖掘实践部分讨论了数据挖掘在通信行业、文本挖掘等方面的实际应用；通过四个案例展示了在通信行业中如何利用数据挖掘进行客户细分、客户流失分析、客户社会关系挖掘、业务交叉销售；通过跨语言智能学术搜索系统和基于内容的垃圾邮件识别两个案例展示了数据挖掘在文本挖掘方面的应用。《高等学校计算机规划教材：数据挖掘原理与实践》可作为高等院校计算机电子商务及相关专业的学生相关的教材或参考书，也可供从事数据挖掘研究、设计等工作的科研、技术人员参考。