第1章引言
1.1數據爆炸
1.2建模的局限性
1.3過程挖掘
1.4分析一個示例日誌
1.5Play—In、Play—Out與Replay
1.6趨勢
1.7展望
第一部分預備知識
第2章過程建模與分析
2.1建模的藝術
2.2過程模型
2.2.1變遷係統
2.2.2Petri網
2.2.3工作流網
2.2.4YAWL
2.2.5BPMN
2.2.6事件驅動過程鏈
2.2.7因果網
2.3基於模型的過程分析
2.3.1驗證
2.3.2性能分析
2.3.3基於模型分析的局限
第3章數據挖掘
3.1數據挖掘技術的分類
3.1.1數據集：實例與變量
3.1.2有監督學習：分類與迴歸
3.1.3無監督學習：聚類與模式發現
3.2決策樹學習
3.3k—means聚類
3.4關聯規則學習
3.5序列和情節挖掘
3.5.1序列挖掘
3.5.2情節挖掘
3.5.3其他方法
3.6結果模型的質量
3.6.1衡量分類器的錶現
3.6.2交叉驗證
3.6.3奧卡姆剃須刀
第二部分從事件日誌到過程模型
第4章數據獲取
4.1數據源
4.2事件日誌
4.3XES
4.4將現實壓縮到事件日誌中
第5章過程發現基礎
5.1問題說明
5.2—個簡單的過程發現算法
5.2.1基本思想
5.2.2算法
5.2.3α算法的不足
5.2，4考慮事務生命周期
5.3重新發現過程模型
5.4挑戰
5.4.1錶示偏好
5.4.2噪聲和不完備性
5.4.34個相互競爭的質量標準
5.4.4從三維現實中提取正確的二維切片
第6章高級過程發現技術
6.1概述
6.1.1特徵1：錶示偏好
6.1.2特徵2：處理噪聲的能力
6.1.3特徵3：完備性假設
6.1.4特徵4：使用的方法
6.2啓發式挖掘
6.2.1再談因果網
6.2.2學習依賴圖
6.2.3學習分裂與閤並
6.3遺傳過程挖掘
6.4基於區域的挖掘
6.4.1學習變遷係統
6.4.2使用基於狀態的區域的過程發現
6.4.3使用基於語言的區域的過程發現
6.5曆史沿革
第三部分過程挖掘拓展
第7章閤規性檢查
7.1業務對齊和審計
7.2托肯重演
7.3對比足跡
7.4閤規性檢查的其他應用
7.4.1修復模型
7.4.2評估過程發現算法
7.4.3連接事件日誌和過程模型
第8章挖掘其他維度
8.1維度
8.2屬性：一種總體透視
8.3組織挖掘
8.3.1社會網分析
8.3.2發現組織結構
8.3.3分析資源行為
8.4時間和概率
8.5決策挖掘
8.6整閤所有維度
第9章運作支持
9.1改進的過程挖掘框架
9.1.1製圖學
9.1.2審計
9.1.3導航
9.2在綫過程挖掘
9.3檢測
9.4預測
9.5推薦
9.6過程挖掘譜係
第四部分過程挖掘的應用
第10章工具支持
10.1商務智能
10.2ProM
10.3其他過程挖掘工具
10.4展望
第11章分析“寬麵條過程”
11.1“寬麵條過程”的特徵
11.2用例
11.3方法論
11.3.1階段0：計劃和調整
11.3.2階段1：抽取
11.3.3階段2：創建控製流模型並關聯事件日誌
11.3.4階段3：創建集成的過程模型
11.3.5階段4：運作支持
11.4應用
11.4.1每個功能領域的過程挖掘機會
11.4.2每個産業的過程挖掘機會
11.4.3兩個“寬麵條過程”
第12章分析“意大利麵過程”
12.1“意大利麵過程”的特點
12.2方法
12.3應用
12.3.1“意大利麵過程”的過程挖掘機會
12.3.2“意大利麵過程”的例子
第五部分後記
第13章製圖與導航
13.1業務過程地圖
13.1.1地圖質量
13.1.2聚閤與抽象
13.1.3無縫縮放
13.1.4尺寸、顔色和布局
13.1.5定製
13.2過程挖掘：業務過程的TomTom
13.2.1將動態信息投射到業務過程地圖
13.2.2到達時間預測
13.2.3引導而不是控製
第14章結語
14.1過程挖掘：數據挖掘與業務過程管理之間的橋梁
14.2挑戰
14.3今天就開始
參考文獻
· · · · · · (收起)