數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘（第二版）

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
1.3.1OLAP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(lài)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)
1.5.4新一代數(shù)據(jù)倉(cāng)庫(kù)技術(shù)
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
2.3.1ETL的目標(biāo)
2.3.2ETL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(kāi)發(fā)
3.1數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)的設(shè)計(jì)與開(kāi)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利用星型圖設(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
3.3.1SQLServer2005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
4.3.1Apriori算法
4.3.2FPgrowth算法
4.4相關(guān)研究與應(yīng)用
4.4.1分類(lèi)
4.4.2SQLServer2005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(lèi)
5.1引例
5.2分類(lèi)問(wèn)題概述
5.2.1分類(lèi)的過(guò)程
5.2.2分類(lèi)的評(píng)價(jià)準(zhǔn)則
5.3決策樹(shù)
5.3.1決策樹(shù)的基本概念
5.3.2決策樹(shù)算法ID3
5.3.3ID3算法應(yīng)用舉例
5.3.4決策樹(shù)算法C4.5
5.3.5SQLServer2005中的決策樹(shù)應(yīng)用
5.3.6決策樹(shù)剪枝
5.4支持向量機(jī)
5.5近鄰分類(lèi)方法
5.5.1最近鄰分類(lèi)方法
5.5.2k近鄰分類(lèi)方法
5.5.3近鄰分類(lèi)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(lèi)
6.1引例
6.2聚類(lèi)分析概述
6.3聚類(lèi)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(lèi)型屬性的相似度計(jì)算方法
6.4Kmeans聚類(lèi)算法
6.4.1Kmeans聚類(lèi)算法的基本概念
6.4.2SQLserver2005中的Kmeans應(yīng)用
6.5層次聚類(lèi)方法
6.5.1層次聚類(lèi)方法的基本概念
6.5.2層次聚類(lèi)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
7.5SQLServer2005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(lèi)與知識(shí)
8.2.1等價(jià)關(guān)系和等價(jià)類(lèi)
8.2.2分類(lèi)
8.3粗糙集
8.3.1分類(lèi)的運(yùn)算
8.3.2分類(lèi)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(lèi)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(lài)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)
9.3BP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
9.3.5BP算法描述
9.4SQLServer2005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(xiàn)性回歸模型
11.1.1線(xiàn)性回歸模型的參數(shù)估計(jì)
11.1.2線(xiàn)性回歸方程的判定系數(shù)
11.1.3線(xiàn)性回歸方程的檢驗(yàn)
11.1.4統(tǒng)計(jì)軟件中的線(xiàn)性回歸分析
11.1.5SQLServer2005中的線(xiàn)性回歸應(yīng)用
11.2Logistic回歸模型
11.2.1Logistic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
11.2.3SQLServer2005中的Logistic回歸應(yīng)用
11.3時(shí)間序列模型
11.3.1ARIMA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
11.3.4SQLServer2005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(lèi)
12.2.4自動(dòng)文檔分類(lèi)
12.2.5自動(dòng)摘要
12.3Web挖掘
12.3.1Web內(nèi)容挖掘
12.3.2Web結(jié)構(gòu)挖掘
12.3.3Web使用挖掘
12.4小結(jié)
12.5習(xí)題
參考文獻(xiàn)