審計知識工程（信息管理與信息系統(tǒng)高等學(xué)校教材）

定　價：￥23.00

作　者：	陳耿、倪巍偉、朱玉全
出版社：	清華大學(xué)出版社
叢編項：	高等學(xué)校教材信息管理與信息系統(tǒng)
標(biāo)　簽：	審計學(xué)

購買這本書可以去

ISBN：	9787302135067	出版時間：	2006-10-01	包裝：	平裝
開本：	16	頁數(shù)：	224	字?jǐn)?shù)：

內(nèi)容簡介

　　審計在促進經(jīng)濟健康發(fā)展和構(gòu)建和諧社會中發(fā)揮著不可或缺的作用，日益受到全社會的廣泛關(guān)注，因此社會對審計人才的需求量越來越大，要求也越來越高。審計與信息技術(shù)的融合是必然的趨勢，它將極大地豐富審計的內(nèi)涵與外延?！陡叩葘W(xué)校教材·信息管理與信息系統(tǒng)：審計知識工程》系統(tǒng)地總結(jié)了信息技術(shù)在審計中的各類應(yīng)用，首次提出了審計知識工程的概念與學(xué)科體系，發(fā)展了計算機審計的基礎(chǔ)理論，研究了一系列的定量技術(shù)，指出了以定量為主，定量與定性相結(jié)合的計算機審計方法論，對推動計算機審計的理論研究、指導(dǎo)計算機審計工作的實踐、培養(yǎng)計算機審計人才有一定的幫助?！陡叩葘W(xué)校教材·信息管理與信息系統(tǒng)：審計知識工程》結(jié)構(gòu)合理，內(nèi)容系統(tǒng)，觀點新穎，可以作為審計學(xué)、會計學(xué)、管理工程、信息系統(tǒng)、計算機應(yīng)用等專業(yè)高年級本科生和研究生的教材，也可作為審計師、注冊會計師、IT人士、IT咨詢顧問、企業(yè)高管等專業(yè)人士的參考書。

作者簡介

　　作者：陳耿陳耿，漢族，1973年生于重慶市。先后在中國人民大學(xué)、西南財經(jīng)大學(xué)學(xué)習(xí)，獲經(jīng)濟學(xué)博士學(xué)位，具有中國注冊會計師、注冊資產(chǎn)后評估師資格。現(xiàn)為重慶大學(xué)經(jīng)濟與工商管理學(xué)院教師，主要從事公司金融與資本市場領(lǐng)域的研究，先后在《改革》、《投資研究》、《財經(jīng)研究》、《財經(jīng)科學(xué)》、《暨南學(xué)報》等刊物發(fā)表科研論文30余篇，出版著作2部（含合作）。

圖書目錄

第1章  審計知識工程概述    1
1.1  審計知識工程的發(fā)展歷史    1
1.1.1  審計的產(chǎn)生與發(fā)展    1
1.1.2  計算機審計的形成與發(fā)展    3
1.1.3  審計知識工程的產(chǎn)生背景    6
1.2  審計知識工程的概念與特點    7
1.2.1  審計知識工程的概念    7
1.2.2  審計知識工程的特點    9
1.3  審計知識工程的研究對象與方法    10
1.3.1  研究對象的特點    10
1.3.2  復(fù)雜性    12
1.3.3  開放的復(fù)雜巨系統(tǒng)    14
1.3.4  研究方法    14
思考題    16
第2章  審計知識工程的基礎(chǔ)理論    17
2.1  審計知識工程的學(xué)科體系    17
2.2  審計理論    19
2.2.1  審計理論框架    19
2.2.2  審計基本理論    20
2.2.3  審計規(guī)范理論    24
2.2.4  審計應(yīng)用理論    26
2.3  計算機數(shù)據(jù)分析與挖掘技術(shù)    29
2.3.1  數(shù)據(jù)挖掘的產(chǎn)生與發(fā)展    29
2.3.2  數(shù)據(jù)挖掘的一般機理    30
2.3.3  數(shù)據(jù)挖掘的任務(wù)    33
2.3.4  數(shù)據(jù)挖掘的方法    35
2.4  系統(tǒng)工程的方法與思想    37
2.4.1  研究的目標(biāo)與內(nèi)容    37
2.4.2  研究的方法    38
2.4.3  系統(tǒng)分析框架    40
2.4.4  系統(tǒng)結(jié)構(gòu)分析    41
思考題    43
第3章  審計知識的發(fā)現(xiàn)與管理    44
3.1  審計知識研究    44
3.1.1  知識的概念    44
3.1.2  審計知識的特征    48
3.1.3  審計知識的表示形式    50
3.2  審計知識發(fā)現(xiàn)與決策    55
3.3  審計證據(jù)與知識融合    61
3.4  定量與定性相結(jié)合的知識創(chuàng)新    63
3.5  審計組織的知識管理    65
思考題    66
第4章  審計信息的組織結(jié)構(gòu)    67
4.1  數(shù)據(jù)庫的發(fā)展歷史    67
4.2  數(shù)據(jù)庫管理系統(tǒng)    72
4.3  關(guān)系數(shù)據(jù)模型    74
4.3.1  數(shù)據(jù)結(jié)構(gòu)    74
4.3.2  完整性約束規(guī)則    75
4.4  關(guān)系數(shù)據(jù)庫范式理論    76
4.5  查詢技術(shù)    78
4.6  非關(guān)系型數(shù)據(jù)庫    84
思考題    88
第5章  審計知識重構(gòu)與多維分析技術(shù)    89
5.1  數(shù)據(jù)倉庫的概念    89
5.2  數(shù)據(jù)倉庫的體系    92
5.3  數(shù)據(jù)倉庫的數(shù)據(jù)模式    97
5.4  數(shù)據(jù)倉庫的構(gòu)建    101
5.4.1  數(shù)據(jù)倉庫的設(shè)計方法    101
5.4.2  數(shù)據(jù)倉庫設(shè)計    101
5.5  數(shù)據(jù)倉庫與OLAP    104
思考題    105
第6章  關(guān)聯(lián)規(guī)則挖掘技術(shù)    106
6.1  基本概念    106
6.2  關(guān)聯(lián)規(guī)則的Apriori算法    107
6.3  Apriori的改進算法    110
6.3.1  基于散列的方法    110
6.3.2  基于數(shù)據(jù)分割的方法    111
6.3.3  基于采樣的方法    111
6.4  基于FP-tree的關(guān)聯(lián)規(guī)則挖掘算法FP-growth    112
6.4.1  算法描述    112
6.4.2  示例說明    113
6.5  多層關(guān)聯(lián)規(guī)則挖掘    118
6.6  多維關(guān)聯(lián)規(guī)則挖掘    119
6.7  基于約束的關(guān)聯(lián)規(guī)則挖掘    120
6.8  數(shù)量關(guān)聯(lián)規(guī)則挖掘    121
6.8.1  基本概念    121
6.8.2  數(shù)量關(guān)聯(lián)規(guī)則的分類    121
6.8.3  數(shù)量關(guān)聯(lián)規(guī)則挖掘的一般步驟    122
6.8.4  數(shù)值屬性離散化問題及其算法    124
6.9  最大頻繁項目集挖掘    127
6.9.1  最大頻繁項目集    127
6.9.2  基于Apriori的最大頻繁項目集挖掘算法    127
6.9.3  基于FP-tree的最大頻繁項目集挖掘算法    129
6.10  關(guān)聯(lián)規(guī)則更新挖掘算法    131
6.10.1  數(shù)據(jù)集的增量性更新挖掘算法    132
6.10.2  算法參數(shù)的相似性更新挖掘算法    135
6.10.3  基于FP-tree的關(guān)聯(lián)規(guī)則更新挖掘算法    136
6.10.4  基于FP-tree的最大頻繁項目集更新算法    139
6.11  一種新的支持度計算方法    142
6.11.1  基本概念    143
6.11.2  候選頻繁項目集的生成    144
6.11.3  項目集支持?jǐn)?shù)計算方法    145
6.12  負(fù)關(guān)聯(lián)規(guī)則挖掘算法    146
6.12.1  基本概念    146
6.12.2  基于Apriori的負(fù)關(guān)聯(lián)規(guī)則挖掘算法    148
6.12.3  基于頻繁模式樹的負(fù)關(guān)聯(lián)規(guī)則挖掘算法    150
6.13  加權(quán)關(guān)聯(lián)規(guī)則挖掘算法    151
6.13.1  加權(quán)關(guān)聯(lián)規(guī)則模型    152
6.13.2  加權(quán)關(guān)聯(lián)規(guī)則的發(fā)現(xiàn)    154
思考題    156
第7章  聚類分析技術(shù)    158
7.1  聚類分析研究現(xiàn)狀    158
7.2  系統(tǒng)模型與基本概念    160
7.2.1  問題的形式化描述    160
7.2.2  相似性測度    160
7.2.3  聚類的定義方法    162
7.3  聚類分析中的距離定義    163
7.4  聚類分析類型    164
7.5  代表性聚類算法    165
7.5.1  k-means算法    165
7.5.2  k-medoids算法    166
7.5.3  大數(shù)據(jù)庫劃分算法    168
7.5.4  BIRCH算法    168
7.5.5  Chameleon算法    170
7.5.6  基于密度的DBSCAN算法    171
7.5.7  基于密度的OPTICS算法    174
7.5.8  基于網(wǎng)格的STING算法    175
7.6  聚類算法性能評價    176
思考題    177
第8章  審計離群知識發(fā)現(xiàn)技術(shù)    178
8.1  離群點檢測    178
8.2  離群點檢測算法概述    179
8.2.1  離群點的定義方法    179
8.2.2  基于統(tǒng)計學(xué)的定義與檢測方法    180
8.2.3  基于偏離的定義與檢測方法    181
8.2.4  基于距離的定義與檢測方法    181
8.2.5  基于聚類的定義與檢測方法    182
8.2.6  基于規(guī)則的定義與檢測方法    182
8.2.7  局部離群點的定義與檢測方法    183
8.3  聚類分析與離群點檢測的過程    183
8.3.1  數(shù)據(jù)準(zhǔn)備    184
8.3.2  特征生成    185
8.3.3  模式發(fā)現(xiàn)    185
8.4  算法介紹    185
8.4.1  基于嵌套循環(huán)的離群點檢測算法    185
8.4.2  DBoda算法    186
8.4.3  基于密度的離群點檢測算法    188
8.5  空間上的離群點檢測    190
8.5.1  問題的提出    190
8.5.2  -距離意義下基于近似密度計算的離群點算法    191
8.5.3  離群點檢測算法    193
思考題    194
第9章  序列模式挖掘技術(shù)    195
9.1  問題描述    195
9.2  類Apriori方法    196
9.3  GSP算法    200
9.4  基于投影的序列模式挖掘算法PrefixSpan    202
9.4.1  基本概念    202
9.4.2  算法描述    203
9.4.3  示例說明    204
9.5  SPADE方法    206
9.5.1  相關(guān)性質(zhì)    206
9.5.2  支持?jǐn)?shù)計算    207
9.5.3  基于前綴分類的格分解    209
9.5.4  頻繁序列模式搜索    211
9.5.5  SPADE算法的設(shè)計和實現(xiàn)    211
9.6  序列模式增量式更新算法    214
9.6.1  基本概念    214
9.6.2  算法描述    216
9.6.3  示例說明    217
思考題    218
參考文獻    219