資料探勘數學基礎：

                             線性代數, 維度規約， 概率統計， 迴歸和優化

資料探勘涵蓋領域：

                 資料預處理，視覺化，預測建模，關聯分析，聚類，異常檢測

資料探勘涵蓋主題：

               資料，分類，關聯分析，聚類，異常檢測

資料探勘必要基礎知識：

                       統計學，線性代數，機器學習

資料庫中知識發現(KDD)：

                       （1）資料預處理：    特徵選擇，維規約，規範化，選擇資料子集

                       （2）資料探勘：

                       （3）後處理：       模式過濾， 視覺化， 模式表示

資料探勘借鑑的領域：

                                 （1）統計學： 抽樣，估計和假設檢驗

                                 （2）人工智慧，模式識別和機器學習：  搜尋演算法，建模技術和學習理論

                                   （3）最優化，進化計算，資訊理論，訊號處理，視覺化，資訊檢索

資料探勘任務分類：

                                （1）預測任務：  根據 自變數 預測 因變數

                                 （2）描述任務： 匯出概括資料中潛在聯絡的模式

                                                          （相關，趨勢，聚類，軌跡和異常）

本書主要講述資料探勘任務：

                                       （1）預測建模：

                                                                      分類（classification）：預測離散的目標變數

                                                                       迴歸（regression）：預測連續的目標變數

                                       （2）關聯分析：

                                                                  描述資料中強關聯特徵的模式

                                                                    模式：用蘊涵規則或特徵子集的形式表示

                                       （3）聚類分析：發現緊密相關的觀測值組群，是的屬於統一簇的觀測值之間儘可能相似

                                       （4）異常檢測：識別異常點或離群點。

                                                                 異常點(離群點)： 特徵顯著不同於其他資料的觀測值。