數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘

第1章 數(shù)據(jù)倉(cāng)庫(kù)的概念與體系結(jié)構(gòu)
1．1 數(shù)據(jù)倉(cāng)庫(kù)的概念、特點(diǎn)與組成
1．1．1 數(shù)據(jù)倉(cāng)庫(kù)的特點(diǎn)
1．1．2 數(shù)據(jù)倉(cāng)庫(kù)的組成
1．2 數(shù)據(jù)挖掘的概念與方法
1．2．1 數(shù)據(jù)挖掘的分析方法
1．2．2 數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘的關(guān)系
1．3 數(shù)據(jù)倉(cāng)庫(kù)的技術(shù)、方法與產(chǎn)品
1．3．1 OLAP技術(shù)
1．3．2 數(shù)據(jù)倉(cāng)庫(kù)實(shí)施的關(guān)鍵環(huán)節(jié)和技術(shù)
1．3．3 數(shù)據(jù)倉(cāng)庫(kù)實(shí)施方法論
1．3．4 常用的數(shù)據(jù)倉(cāng)庫(kù)產(chǎn)品
1．4 數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)的體系結(jié)構(gòu)
1．4．1 獨(dú)立的數(shù)據(jù)倉(cāng)庫(kù)體系結(jié)構(gòu)
1．4．2 基于獨(dú)立數(shù)據(jù)集市的數(shù)據(jù)倉(cāng)庫(kù)體系結(jié)構(gòu)
1．4．3 基于依賴型數(shù)據(jù)集市和操作型數(shù)據(jù)存儲(chǔ)的數(shù)據(jù)倉(cāng)庫(kù)體系結(jié)構(gòu)
1．4．4 基于邏輯型數(shù)據(jù)集市和實(shí)時(shí)數(shù)據(jù)倉(cāng)庫(kù)的體系結(jié)構(gòu)
1．5 數(shù)據(jù)倉(cāng)庫(kù)的產(chǎn)生、發(fā)展與未來(lái)
1．5．1 數(shù)據(jù)倉(cāng)庫(kù)的產(chǎn)生
1．5．2 數(shù)據(jù)倉(cāng)庫(kù)的發(fā)展
1．5．3 數(shù)據(jù)倉(cāng)庫(kù)的未來(lái)
1．6 小結(jié)
1．7 習(xí)題
第2章 數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)存儲(chǔ)與處理
2．1 數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)結(jié)構(gòu)
2．2 數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)特征
2．2．1 狀態(tài)數(shù)據(jù)與事件數(shù)據(jù)
2．2．2 當(dāng)前數(shù)據(jù)與周期數(shù)據(jù)
2．2．3 元數(shù)據(jù)
2．3 數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)ETL過(guò)程
2．3．1 ETL的目標(biāo)
2．3．2 ETL過(guò)程描述
2．3．3 數(shù)據(jù)抽取
2．3．4 數(shù)據(jù)清洗
2．3．5 數(shù)據(jù)轉(zhuǎn)換
2．3．6 數(shù)據(jù)加載和索引
2．4 多維數(shù)據(jù)模型
2．4．1 多維數(shù)據(jù)模型及其相關(guān)概念
2．4．2 多維數(shù)據(jù)模型的實(shí)現(xiàn)
2．4．3 多維建模技術(shù)
2．4．4 星型模式舉例
2．5 小結(jié)
2．6 習(xí)題
第3章 數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)的設(shè)計(jì)與開發(fā)
3．1 數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)的設(shè)計(jì)與開發(fā)概述
3．1．1 建立數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)的步驟
3．1．2 數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)的生命周期
3．1．3 建立數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)的思維模式
3．1．4 數(shù)據(jù)倉(cāng)庫(kù)數(shù)據(jù)庫(kù)的設(shè)計(jì)步驟
3．2 基于SQLServer2005的數(shù)據(jù)倉(cāng)庫(kù)數(shù)據(jù)庫(kù)設(shè)計(jì)
3．2．1 分析組織的業(yè)務(wù)狀況及數(shù)據(jù)源結(jié)構(gòu)
3．2．2 組織需求調(diào)研，收集分析需求
3．2．3 采用信息包圖法設(shè)計(jì)數(shù)據(jù)倉(cāng)庫(kù)的概念模型
3．2．4 利用星形圖設(shè)計(jì)數(shù)據(jù)倉(cāng)庫(kù)的邏輯模型
3．2．5 數(shù)據(jù)倉(cāng)庫(kù)的物理模型設(shè)計(jì)
3．3 使用SQLServer2005建立多維數(shù)據(jù)模型
3．3．1 SQLServer2005示例數(shù)據(jù)倉(cāng)庫(kù)環(huán)境的配置與使用
3．3．2 基于SQLServer2005示例數(shù)據(jù)庫(kù)的多維數(shù)據(jù)模型
3．4 小結(jié)
3．5 習(xí)題
第4章 關(guān)聯(lián)規(guī)則
4．1 概述
4．2 引例
4．3 經(jīng)典算法
4．3．1 Apriori算法
4．3．2 FPgrowth算法
4．4 相關(guān)研究與應(yīng)用
4．4．1 分類
4．4．2 SQLServer2005中的關(guān)聯(lián)規(guī)則應(yīng)用
4．5 小結(jié)
4．6 習(xí)題
第5章 數(shù)據(jù)分類
5．1 引例
5．2 分類問(wèn)題概述
5．2．1 分類的過(guò)程
5．2．2 分類的評(píng)價(jià)準(zhǔn)則
5．3 決策樹
5．3．1 決策樹的基本概念
5．3．2 決策樹算法ID3
5．3．3 ID3算法應(yīng)用舉例
5．3．4 決策樹算法C4．5
5．3．5 SQLServer2005中的決策樹應(yīng)用
5．3．6 決策樹剪枝
5．4 支持向量機(jī)
5．5 近鄰分類方法
5．5．1 最近鄰分類方法
5．5．2 k近鄰分類方法
5．5．3 近鄰分類方法應(yīng)用舉例
5．6 小結(jié)
5．7 習(xí)題
第6章 數(shù)據(jù)聚類
6．1 引例
6．2 聚類分析概述
6．3 聚類分析中相似度的計(jì)算方法
6．3．1 連續(xù)型屬性的相似度計(jì)算方法
6．3．2 二值離散型屬性的相似度計(jì)算方法
6．3．3 多值離散型屬性的相似度計(jì)算方法
6．3．4 混合類型屬性的相似度計(jì)算方法
6．4 kmeans聚類算法
6．4．1 kmeans聚類算法的基本概念
6．4．2 SQLserver2005中的kmeans應(yīng)用
6．5 層次聚類方法
6．5．1 層次聚類方法的基本概念
6．5．2 層次聚類方法應(yīng)用舉例
6．6 小結(jié)
6．7 習(xí)題
第7章 貝葉斯網(wǎng)絡(luò)
7．1 引例
7．2 貝葉斯概率基礎(chǔ)
7．2．1 先驗(yàn)概率、后驗(yàn)概率和條件概率
7．2．2 條件概率公式
7．2．3 全概率公式
7．2．4 貝葉斯公式
7．3 貝葉斯網(wǎng)絡(luò)概述
7．3．1 貝葉斯網(wǎng)絡(luò)的組成和結(jié)構(gòu)
7．3．2 貝葉斯網(wǎng)絡(luò)的優(yōu)越性
7．3．3 貝葉斯網(wǎng)絡(luò)的三個(gè)主要議題
7．4 貝葉斯網(wǎng)絡(luò)的預(yù)測(cè)、診斷和訓(xùn)練算法
7．4．1 概率和條件概率數(shù)據(jù)
7．4．2 貝葉斯網(wǎng)絡(luò)的預(yù)測(cè)算法
7．4．3 貝葉斯網(wǎng)絡(luò)的診斷算法
7．4．4 貝葉斯網(wǎng)絡(luò)預(yù)測(cè)和診斷的綜合算法
7．4．5 貝葉斯網(wǎng)絡(luò)的建立和訓(xùn)練算法
7．5 SQLServer2005中的貝葉斯網(wǎng)絡(luò)應(yīng)用
7．6 小結(jié)
7．7 習(xí)題
第8章 粗糙集
8．1 引例
8．2 分類與知識(shí)
8．2．1 等價(jià)關(guān)系和等價(jià)類
8．2．2 分類
8．3 粗糙集
8．3．1 分類的運(yùn)算
8．3．2 分類的表達(dá)能力
8．3．3 上近似集和下近似集
8．3．4 正域、負(fù)域和邊界
8．3．5 粗糙集應(yīng)用舉例
8．3．6 粗糙集的性質(zhì)
8．4 辨識(shí)知識(shí)的簡(jiǎn)化
8．4．1 集合近似精度的度量
8．4．2 分類近似的度量
8．4．3 等價(jià)關(guān)系的可省略、獨(dú)立和核
8．4．4 等價(jià)關(guān)系簡(jiǎn)化舉例
8．4．5 知識(shí)的相對(duì)簡(jiǎn)化
8．4．6 知識(shí)的相對(duì)簡(jiǎn)化舉例
8．5 決策規(guī)則簡(jiǎn)化
8．5．1 知識(shí)依賴性的度量
8．5．2 簡(jiǎn)化決策規(guī)則
8．5．3 可辨識(shí)矩陣
8．6 小結(jié)
8．7 習(xí)題
第9章 神經(jīng)網(wǎng)絡(luò)
9．1 引例
9．2 人工神經(jīng)網(wǎng)絡(luò)
9．2．1 人工神經(jīng)網(wǎng)絡(luò)概述
9．2．2 神經(jīng)元模型
9．2．3 網(wǎng)絡(luò)結(jié)構(gòu)
9．3 BP算法
9．3．1 網(wǎng)絡(luò)結(jié)構(gòu)和數(shù)據(jù)示例
9．3．2 有序?qū)?shù)
9．3．3 計(jì)算誤差信號(hào)對(duì)參數(shù)的有序?qū)?shù)
9．3．4 梯度下降
9．3．5 BP算法描述
9．4 SQLServer2005中的神經(jīng)網(wǎng)絡(luò)應(yīng)用
9．5 小結(jié)
9．6 習(xí)題
第10章 遺傳算法
10．1 概述
10．2 相關(guān)概念
10．3 基本步驟
10．3．1 概述
10．3．2 引例
10．4 算法設(shè)計(jì)
10．4．1 編碼方式
10．4．2 種群規(guī)模
10．4．3 適應(yīng)度函數(shù)
10．4．4 遺傳算子
10．4．5 終止條件
10．5 相關(guān)研究與應(yīng)用
10．6 小結(jié)
10．7 習(xí)題
第11章 統(tǒng)計(jì)分析
11．1 線性回歸模型
11．1．1 線性回歸模型的參數(shù)估計(jì)
11．1．2 線性回歸方程的判定系數(shù)
11．1．3 線性回歸方程的檢驗(yàn)
11．1．4 統(tǒng)計(jì)軟件中的線性回歸分析
11．1．5 SQLServer2005中的線性回歸應(yīng)用
11．2 Logistic回歸模型
11．2．1 Logistic回歸模型的參數(shù)估計(jì)
11．2．2 統(tǒng)計(jì)軟件中Logistic回歸的結(jié)果分析
11．2．3 SQLServer2005中的Logistic回歸應(yīng)用
11．3 時(shí)間序列模型
11．3．1 ARIMA模型
11．3．2 建立ARIMA模型的步驟
11．3．3 使用統(tǒng)計(jì)軟件估計(jì)ARIMA模型
11．3．4 SQLServer2005中的時(shí)間序列分析
11．4 小結(jié)
11．5 習(xí)題
第12章 文本和Web挖掘
12．1 引例
12．2 文本挖掘
12．2．1 文本信息檢索概述
12．2．2 基于關(guān)鍵字的關(guān)聯(lián)分析
12．2．3 文檔自動(dòng)聚類
12．2．4 自動(dòng)文檔分類
12．2．5 自動(dòng)摘要
12．3 Web挖掘
12．3．1 Web內(nèi)容挖掘
12．3．2 Web結(jié)構(gòu)挖掘
12．3．3 Web使用挖掘
12．4 小結(jié)
12．5 習(xí)題
參考文獻(xiàn)