數(shù)據(jù)倉庫與數(shù)據(jù)挖掘

第1章 緒論
　1.1 初識數(shù)據(jù)挖掘
　　1.1.1 數(shù)據(jù)挖掘的產(chǎn)生
　　1.1.2 數(shù)據(jù)挖掘的應用價值
　　1.1.3 數(shù)據(jù)挖掘的發(fā)展過程
　　1.1.4 數(shù)據(jù)挖掘的定義
　1.2 初識數(shù)據(jù)倉庫
　　1.2.1 數(shù)據(jù)倉庫的產(chǎn)生
　　1.2.2 數(shù)據(jù)倉庫的應用價值
　　1.2.3 數(shù)據(jù)倉庫的發(fā)展過程
　　1.2.4 數(shù)據(jù)倉庫的定義
　　1.2.5 數(shù)據(jù)倉庫與數(shù)據(jù)挖掘的關系
　1.3 進一步理解數(shù)據(jù)挖掘
　　1.3.1 數(shù)據(jù)挖掘的功能
　　1.3.2 數(shù)據(jù)挖掘常用技術
　　1.3.3 數(shù)據(jù)挖掘的過程
　1.4 數(shù)據(jù)挖掘應用實例
　　1.4.1 應用領域
　　1.4.2 典型案例
　1.5 數(shù)據(jù)挖掘的發(fā)展趨勢
　　1.5.1 數(shù)據(jù)挖掘研究方向
　　1.5.2 數(shù)據(jù)挖掘應用的熱點
　小結
　習題
第2章 數(shù)據(jù)倉庫
　2.1 進一步深入理解數(shù)據(jù)倉庫的定義
　　2.1.1 數(shù)據(jù)倉庫的數(shù)據(jù)是面向主題的
　　2.1.2 數(shù)據(jù)倉庫的數(shù)據(jù)是集成的
　　2.1.3 數(shù)據(jù)倉庫的數(shù)據(jù)是不可更新的
　　2.1.4 數(shù)據(jù)倉庫的數(shù)據(jù)是隨時間不斷變化的
　2.2 數(shù)據(jù)倉庫的結構
　　2.2.1 元數(shù)據(jù)
　　2.2.2 粒度的概念
　　2.2.3 分割問題
　　2.2.4 數(shù)據(jù)倉庫中的數(shù)據(jù)組織形式
　2.3 數(shù)據(jù)倉庫的說明——標準手冊
　2.4 數(shù)據(jù)倉庫的清理
　2.5 數(shù)據(jù)倉庫系統(tǒng)的設計
　　2.5.1 數(shù)據(jù)倉庫系統(tǒng)設計方法
　　2.5.2 數(shù)據(jù)倉庫設計的三級數(shù)據(jù)模型
　　2.5.3 提高數(shù)據(jù)倉庫的性能
　　2.5.4 數(shù)據(jù)倉庫設計步驟
　2.6 數(shù)據(jù)倉庫數(shù)據(jù)的訪問
　　2.6.1 數(shù)據(jù)倉庫數(shù)據(jù)的直接訪問
　　2.6.2 數(shù)據(jù)倉庫數(shù)據(jù)的間接訪問
　2.7 數(shù)據(jù)倉庫的應用
　　2.7.1數(shù)據(jù)倉庫的主要應用領域
　　2.7.2數(shù)據(jù)倉庫應用實例
　小結
　習題
第3章 數(shù)據(jù)預處理
　3.1 數(shù)據(jù)預處理的目的
　　3.1.1 原始數(shù)據(jù)中存在的問題
　　3.1.2 數(shù)據(jù)預處理的方法和功能
　3.2 數(shù)據(jù)清理
　　3.2.1 處理空缺值
　　3.2.2 噪聲數(shù)據(jù)的處理
　3.3 數(shù)據(jù)集成和變換
　　3.3.1 數(shù)據(jù)集成
　　3.3.2 數(shù)據(jù)變換
　3.4 數(shù)據(jù)歸約
　　3.4.1 數(shù)據(jù)歸約的方法
　　3.4.2 數(shù)據(jù)立方體聚集
　　3.4.3 維歸約
　　3.4.4 數(shù)據(jù)壓縮
　　3.4.5 數(shù)值歸約
　　3.4.6 離散化與概念分層生成
　小結
　習題
第4章 數(shù)據(jù)挖掘發(fā)現(xiàn)知識的類型
　4.1 廣義知識
　　4.1.1 廣義知識的概念
　　4.1.2 廣義知識的發(fā)現(xiàn)方法
　4.2 關聯(lián)知識
　　4.2.1 關聯(lián)知識的概念
　　4.2.2 關聯(lián)知識的發(fā)現(xiàn)方法
　　4.2.3 關聯(lián)規(guī)則應用實例
　4.3 分類知識
　　4.3.1 分類知識的概念
　　4.3.2 分類知識的發(fā)現(xiàn)方法
　　4.3.3 分類知識應用實例
　4.4 預測型知識
　　4.4.1 預測型知識的概念
　　4.4.2 預測型知識的發(fā)現(xiàn)方法
　　4.4.3 預測型知識應用實例
　4.5 偏差型知識
　　4.5.1 偏差型知識的概念
　　4.5.2 偏差型知識的發(fā)現(xiàn)方法
　小結
　習題
第5章 數(shù)據(jù)挖掘中常用算法
　5.1 神經(jīng)網(wǎng)絡算法
　　5.1.1 神經(jīng)網(wǎng)絡的概念
　　5.1.2 神經(jīng)網(wǎng)絡的計算機模型
　　5.1.3 定義神經(jīng)網(wǎng)絡拓撲
　　5.1.4 基于神經(jīng)網(wǎng)絡的算法
　5.2 使用候選項集找頻繁項集（Apriori）算法
　　5.2.1 關聯(lián)規(guī)則的分類
　　5.2.2 Apriori算法
　　5.2.3 從頻繁項集產(chǎn)生關聯(lián)規(guī)則
　5.3 決策樹算法
　　5.3.1 信息論的基本原理
　　5.3.2 ID3算法
　　5.3.3 樹剪枝
　　5.3.4 由決策樹提取分類規(guī)則
　5.4 聚類分析
　　5.4.1 聚類分析的概念
　　5.4.2 聚類分析中的數(shù)據(jù)類型
　　5.4.3 幾種主要的聚類分析方法
　　5.4.4 聚類分析算法
　小結
　習題
第6章 數(shù)據(jù)挖掘的工具及其應用
　6.1 SQL Server 2000數(shù)據(jù)挖掘工具應用
　　6.1.1 安裝要求
　　6.1.2 安裝過程
　　6.1.3 Analysis Services功能介紹
　　6.1.4 Analysis Services的優(yōu)點
　　6.1.5 創(chuàng)建數(shù)據(jù)挖掘模型
　　6.1.6 查看和分析挖掘結果
　　6.1.7 聚類模型
　6.2 SPSS數(shù)據(jù)挖掘工具應用
　　6.2.1 安裝SPSS Clementine
　　6.2.2 SPSS Clementine 8.0工作環(huán)境介紹
　　6.2.3 Clementine應用的結構
　　6.2.4 Clementine的使用
　　6.2.5 挖掘模型的建立和執(zhí)行
　小結
　習題
第7章 數(shù)據(jù)挖掘應用實例
　7.1 實例背景
　7.2 決策樹算法
　　7.2.1 數(shù)據(jù)挖掘中的分類算法
　　7.2.2 決策樹的概念
　7.3 實例開發(fā)
　　7.3.1 實例開發(fā)前的準備
　　7.3.2 實例的系統(tǒng)結構
　　7.3.3 決策樹算法模塊
　　7.3.4 算法的程序?qū)崿F(xiàn)
　7.4 核心源程序
　小結
參考文獻