數據倉庫、挖掘和可視化：核心概念

第1章 數據挖掘. 數據倉庫和數據可視化概述
1.1 現(xiàn)代數據倉庫
1.2 數據倉庫的作用和結構
1.3 數據倉庫可以完成的工作
1.3.1 快捷的信息交付
1.3.2 企業(yè)內/外的數據集成
1.3.3 從歷史趨勢展望未來
1.3.4 用新方式瀏覽數據的工具
1.3.5 免受IS部門資源限制
1.3.6 對日常工作有何意義
1.3.7 沒有什么是免費的
1.3.8 是否存在數據倉庫無法完成的工作
1.4 數據倉庫的成本
1.4.1 不定成本
1.4.2 成本合理性
1.4.3 沒有數據倉庫時如何訪問信息
1.4.4 存在數據倉庫時如何訪問信息
1.4.5 成本的差距
1.4.6 多報表
1.4.7 普通用戶和高級用戶
1.4.8 普通用戶. 高級用戶與成本合理性
1.4.9 數據集市和數據倉庫
1.5 數據挖掘的基礎
1.6 數據挖掘的起源
1.7 數據勘查和數據挖掘的方法
1.7.1 數據相關
1.7.2 數據倉庫和數據挖掘／數據勘查
1.7.3 最大的挑戰(zhàn)——數據容量
1.8 數據可視化的基礎
1.8.1 數據可視化背后的歷史
1.8.2 走在知識前沿的數據可視化
1.9 小結
第2章 數據倉庫
2.1 存儲. 倉庫和集市
2.1.1 數據存儲器
2.1.2 數據集市
2.1.3 元數據
2.1.4 DW環(huán)境
2.1.5 DW的特征
2.1.6 數據冗余問題
2.2 數據倉庫體系結構
2.2.1 操作型數據庫層和外部數據庫層
2.2.2 信息訪問層
2.2.3 數據訪問層
2.2.4 元數據層
2.2.5 過程管理層
2.2.6 應用通信層
2.2.7 物理DW層
2.2.8 數據分段層
2.2.9 數據倉庫技術
2.3 描述數據的數據——元數據
2.3.1 “抽象”的概念
2.3.2 數據的鍵
2.3.3 運轉中的元數據
2.3.4 一致性——避免事實出現(xiàn)多個版本
2.3.5 同意事實的一個版本
2.4 元數據的提取
2.5 實現(xiàn)數據倉庫
2.5.1 過失1：“如果創(chuàng)建了倉庫, 它們的用途就自然顯現(xiàn)出來了”
2.5.2 過失2：遺漏了體系結構框架
2.5.3 過失3：理解用文檔對假設進行說明的重要性
2.5.4 過失4：沒有使用正確的工具
2.5.5 過失5：濫用生命周期
2.5.6 過失6：忽略了數據沖突問題
2.5.7 過失7：沒有從失敗中吸取經驗教訓
2.6 數據倉庫技術
2.7 小結
第3章 數據挖掘和數據可視化
3.1 數據挖掘的概念
3.1.1 驗證型分析與挖掘型分析
3.1.2 DM的逐漸普及
3.1.3 使用DM進行更精確的個人預測
3.2 聯(lián)機分析處理
3.2.1 MOLAP
3.2.2 ROLAP
3.3 用于數據挖掘的技術
3.3.1 分類
3.3.2 關聯(lián)
3.3.3 序列
3.3.4 聚類
3.3.5 DM技術
3.3.6 KDD過程
3.3.7 新型DM應用
3.4 市場購物籃分析：DM算法之王
3.4.1 市場購物籃分析的優(yōu)點
3.4.2 市場購物籃分析的關聯(lián)規(guī)則
3.4.3 利用虛項進行市場購物籃分析
3.4.4 使用這些結果
3.5 DM目前的限制和面臨的挑戰(zhàn)
3.5.1 標識出遺漏信息
3.5.2 數據噪聲和遺漏值
3.5.3 大型數據庫和高維度
3.6 數據可視化
3.6.1 歷史
3.6.2 人類視覺感知和數據可視化
3.6.3 地理信息系統(tǒng)
3.6.4 數據可視化技術的應用
3.7 Siftware技術
3.7.1 Red Brick
3.7.2 Oracle
3.7.3 Informix
3.7.4 Sybase
3.7.5 Silicon Graphics
3.7.6 IBM
3.8 小結
第4章 機器學習
4.1 模糊邏輯和語義模糊性
4.1.1 語義模糊性
4.1.2 模糊邏輯的基礎
4.1.3 模糊與概率
4.1.4 模糊邏輯的優(yōu)缺點
4.2 人工神經網絡
4.2.1 神經計算的基礎
4.2.2 人工神經網絡的訓練
4.2.3 人工神經網絡學習范式
4.2.4 神經計算的優(yōu)點和局限性
4.3 遺傳算法與遺傳進化網絡
4.3.1 最優(yōu)理論
4.3.2 介紹遺傳算法
4.3.3 遺傳算法的優(yōu)點和局限性
4.4 機器學習的應用
4.4.1 機器學習的應用領域
4.4.2 機器學習系統(tǒng)的未來
4.5 小結
第5章 執(zhí)行信息系統(tǒng)
5.1 EIS的概念
5.1.1 典型的EIS會話
5.1.2 EIS無法完成的工作
5.2 EIS歷史
5.3 高級執(zhí)行官與眾不同的原因
5.3.1 執(zhí)行官的信息需求
5.3.2 執(zhí)行信息的類型和源
5.4 EIS組件
5.4.1 硬件組件
5.4.2 軟件組件
5.4.3 目前的EIS技術
5.5 使EIS開始工作
5.5.1 EIS開發(fā)框架
5.5.2 一些需要避免的ElS局限和缺陷
5.5.3 失敗是無法接受的
5.6 執(zhí)行官決策和EIS的未來
5.6.1 轉化條件
5.6.2 未來的EIS
5.7 小結
第6章 設計并構造數據倉庫
6.1 DW設計的企業(yè)模型方法
6.1.1 定義EM
6.1.2 自上而下的DW設計
6.1.3 自下而上的DW設計
6.1.4 企業(yè)集成的概念
6.2 DW項目規(guī)劃
6.2.1 DW項目定義和就緒度評估
6.2.2 克服DW就緒度的不足
6.2.3 定義新建DW項目的作用域
6.2.4 為DW項目定義商業(yè)認證
6.2.5 使DW項目成為商業(yè)案例所面臨的問題
6.2.6 經濟可行性分析
6.2.7 經濟可行性指標
6.2.8 開發(fā)DW項目規(guī)劃
6.3 指定分析和設計工具
6.3.1 DW邏輯設計的維度建模方法
6.3.2 設計DW事實表
6.4 DW體系結構規(guī)范和開發(fā)
6.4.1 通用源
6.4.2 通用維
6.4.3 通用業(yè)務規(guī)則
6.4.4 通用語義
6.4.5 通用度量單位
6.4.6 DW體系結構關鍵組件區(qū)域
6.4.7 開發(fā)DW技術體系結構
6.5 DW項目的成功因素
6.6 小結
第7章 數據挖掘. 數據倉庫和數據可視化的未來
7.1 數據倉庫的未來
7.1.1 規(guī)章約束
7.1.2 非結構化數據的存儲
7.1.3 World Wide Web
7.2 可選存儲器和數據倉庫
7.2.1 可選存儲器
7.2.2 使可選存儲器工作
7.3 數據倉庫的趨勢
7.4 數據挖掘的未來
7.4.1 在個性化和隱私之間權衡
7.4.2 “信息是自然資源”的概念
7.4.3 大型數據集的爆炸
7.5 使用數據挖掘保護隱私
7.5.1 目前的IDS系統(tǒng)如何檢測入侵
7.5.2 目前的IDS系統(tǒng)具有的弊端
7.5.3 我們在尋找什么
7.5.4 DM如何提供幫助
7.5.5 入侵檢測DM所面臨的困難
7.6 影響DM未來的趨勢
7.6.1 數據趨勢
7.6.2 硬件趨勢
7.6.3 網絡趨勢
7.6.4 業(yè)務趨勢
7.6.5 對DM的未來所預期的可能情況
7.7 數據可視化的未來
7.7.1 武器性能和安全仿真
7.7.2 醫(yī)學損傷治療
7.7.3 未來將會展現(xiàn)的技術能力
7.7.4 未來的醫(yī)學外傷場景展望
7.8 未來可視化應用的各個組件
7.9 小結