數據倉庫與數據挖掘教程

第1章數據倉庫與數據挖掘概述1
1.1數據倉庫的興起1
1.1.1從數據庫到數據倉庫1
1.1.2從OLTP到OLAP3
1.1.3數據字典與元數據4
1.1.4數據倉庫的定義與特點6
1.2數據挖掘的興起7
1.2.1從機器學習到數據挖掘7
1.2.2數據挖掘的含義8
1.2.3數據挖掘與OLAP的比較8
1.2.4數據挖掘與統計學9
1.3數據倉庫和數據挖掘的結合11
1.3.1數據倉庫和數據挖掘的區(qū)別與聯系11
1.3.2基于數據倉庫的決策支持系統13
1.3.3數據倉庫與商業(yè)智能14
習題16
第2章數據倉庫原理17
2.1數據倉庫結構體系17
2.1.1數據倉庫結構17
2.1.2數據集市及其結構18
2.1.3數據倉庫系統結構21
2.1.4數據倉庫的運行結構22
2.2數據倉庫的數據模型23
2.2.1星型模型24
2.2.2雪花模型25
2.2.3星網模型25
2.2.4第三范式26
2.3數據抽取、轉換和裝載27
2.3.1數據抽取27
2.3.2數據轉換28
2.3.3數據裝載30
2.3.4ETL工具31
2.4元數據32
2.4.1元數據的重要性32
2.4.2關于數據源的元數據33
2.4.3關于數據模型的元數據33
2.4.4關于數據倉庫映射的元數據35
2.4.5關于數據倉庫使用的元數據36
習題36
第3章聯機分析處理38
3.1OLAP概念38
3.1.1OLAP的定義38
3.1.2OLAP準則39
3.1.3OLAP的基本概念42
3.2OLAP的數據模型43
3.2.1MOLAP數據模型43
3.2.2ROLAP數據模型45
3.2.3MOLAP與ROLAP的比較45
3.2.4HOLAP數據模型48
3.3多維數據的顯示48
3.3.1多維數據的顯示方法48
3.3.2多維類型結構49
3.3.3多維數據的分析視圖50
3.4OLAP的多維數據分析52
3.4.1多維數據分析的基本操作52
3.4.2廣義OLAP功能54
3.4.3多維數據分析實例56
3.5OLAP結構與分析工具58
  3.5.1OLAP結構58
  3.5.2OLAP的Web結構59
  3.5.3OLAP工具及評價61
習題63
第4章數據倉庫設計與開發(fā)65
4.1數據倉庫分析與設計65
4.1.1需求分析65
4.1.2概念模型設計67
4.1.3邏輯模型設計68
4.1.4物理模型設計73
4.1.5數據倉庫的索引技術75
4.2數據倉庫開發(fā)79
4.2.1數據倉庫開發(fā)過程79
4.2.2數據質量與數據清洗85
4.2.3數據粒度與維度建模86
4.3數據倉庫技術與開發(fā)的困難88
4.3.1數據倉庫技術88
4.3.2數據倉庫開發(fā)的困難92
習題93
第5章數據倉庫管理和應用95
5.1數據倉庫管理95
5.1.1用戶使用數據倉庫的管理95
5.1.2數據管理98
5.2數據倉庫的決策支持與決策支持系統103
5.2.1查詢與報表104
5.2.2多維分析與原因分析105
5.2.3預測未來106
5.2.4實時決策106
5.2.5自動決策107
5.2.6決策支持系統108
5.3數據倉庫應用實例109
5.3.1航空公司數據倉庫決策支持系統簡例109
5.3.2統計業(yè)數據倉庫系統114
5.3.3沃爾瑪數據倉庫系統116
習題118
第6章數據挖掘原理120
6.1知識發(fā)現過程120
6.1.1知識發(fā)現過程定義120
6.1.2數據挖掘對象121
6.1.3數據挖掘任務123
6.1.4數據挖掘分類125
6.1.5不完全數據處理127
6.1.6數據庫的數據濃縮128
6.2數據挖掘方法和技術131
6.2.1歸納學習的信息論方法131
6.2.2歸納學習的集合論方法131
6.2.3仿生物技術的神經網絡方法132
6.2.4仿生物技術的遺傳算法133
6.2.5數值數據的公式發(fā)現133
6.2.6可視化技術134
6.3數據挖掘的知識表示134
6.3.1規(guī)則知識134
6.3.2決策樹知識135
6.3.3知識基135
6.3.4神經網絡的權值136
6.3.5公式知識136
6.3.6案例137
習題137
第7章信息論方法139
7.1信息論原理139
7.1.1信道模型和學習信道模型139
7.1.2信息熵和條件熵140
7.1.3互信息與信息增益141
7.1.4信道容量與譯碼準則142
7.2決策樹方法143
7.2.1決策樹概念143
7.2.2ID3方法基本思想144
7.2.3ID3算法145
7.2.4實例與討論146
7.2.5C4.5方法148
7.3決策規(guī)則樹方法151
7.3.1IBLE方法的基本思想151
7.3.2IBLE算法153
7.3.3IBLE方法實例155
習題161
第8章集合論方法163
8.1粗糙集方法163
8.1.1粗糙集概念163
8.1.2屬性約簡的粗糙集理論166
8.1.3屬性約簡的粗糙集方法172
8.1.4粗糙集方法的規(guī)則獲取173
8.1.5粗糙集方法的應用實例174
8.2關聯規(guī)則挖掘176
8.2.1關聯規(guī)則的挖掘原理177
8.2.2Apriori算法的基本思想180
8.2.3Apriori算法程序183
8.2.4基于FP樹的關聯規(guī)則挖掘算法184
習題188
第9章公式發(fā)現189
9.1公式發(fā)現概述189
9.1.1曲線擬合與公式發(fā)現189
9.1.2啟發(fā)式與數據驅動啟發(fā)式191
9.2科學定律重新發(fā)現系統193
9.2.1BACON系統基本原理193
9.2.2BACON系統實例194
9.2.3BACON系統的進展196
9.3經驗公式發(fā)現系統197
9.3.1FDD系統基本原理197
9.3.2FDD.1系統結構199
9.3.3FDD.1系統實例202
9.3.4FDD.2系統204
9.3.5FDD.3系統207
習題211
第10章神經網絡與遺傳算法213
10.1神經網絡概念及幾何意義213
      10.1.1神經網絡原理213
      10.1.2神經網絡的幾何意義214
      10.1.3超曲面神經網絡概念216
10.2感知機218
10.2.1感知機模型218
10.2.2感知機實例219
10.2.3感知機討論220
10.3反向傳播模型221
10.3.1BP網絡結構221
10.3.2BP網絡學習公式推導221
10.3.3實例分析226
10.4遺傳算法228
10.4.1遺傳算法基本原理229
10.4.2遺傳算子231
10.4.3遺傳算法簡例 234
10.4.4遺傳算法的特點236
10.5基于遺傳算法的分類學習系統237
10.5.1概述237
10.5.2遺傳分類學習系統GCLS的基本原理238
10.5.3遺傳分類學習系統GCLS的應用242
習題243
第11章文本挖掘與Web挖掘245
11.1文本挖掘概述245
11.1.1文本挖掘的基本概念245
11.1.2文本特征的表示246
11.1.3文本特征的提取247
11.2文本挖掘248
11.2.1文本挖掘功能層次248
11.2.2關聯分析248
11.2.3文本聚類249
11.2.4文本分類250
11.3Web挖掘251
11.3.1Web挖掘概述251
11.3.2Web內容挖掘253
11.3.3Web結構挖掘255
11.3.4Web應用挖掘258
習題261
第12章數據倉庫與數據挖掘的發(fā)展262
12.1綜合決策支持系統262
  12.1.1從管理科學到決策支持系統262
  12.1.2基于數據倉庫的決策支持系統與傳統決策支持系統的結265
  12.1.3綜合決策支持系統發(fā)展趨勢268
12.2可拓數據挖掘270
  12.2.1可拓學基本原理270
  12.2.2從數據挖掘到可拓數據挖掘272
  12.2.3可拓數據挖掘理論272
12.2.4可拓數據挖掘實例274
習題277
參考文獻278