數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘技術(shù)

第1章 數(shù)據(jù)挖掘和數(shù)據(jù)倉(cāng)庫(kù)概述
1.1 數(shù)據(jù)挖掘引論
1.1.1 數(shù)據(jù)挖掘的由來(lái)
1.1.2 數(shù)據(jù)挖掘的定義
1.1.3 數(shù)據(jù)挖掘的功能
1.1.4 數(shù)據(jù)挖掘的常用方法
1.2 數(shù)據(jù)倉(cāng)庫(kù)引論
1.2.1 數(shù)據(jù)倉(cāng)庫(kù)的產(chǎn)生與發(fā)展
1.2.2 數(shù)據(jù)倉(cāng)庫(kù)的定義
1.2.3 數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘的聯(lián)系與區(qū)別
1.3 數(shù)據(jù)挖掘的應(yīng)用
1.3.1 數(shù)據(jù)挖掘的應(yīng)用領(lǐng)域
1.3.2 數(shù)據(jù)挖掘案例
1.4 常用數(shù)據(jù)挖掘工具
1.4.1 數(shù)據(jù)挖掘工具的種類
1.4.2 評(píng)價(jià)數(shù)據(jù)挖掘工具優(yōu)劣的指標(biāo)
1.4.3 常用數(shù)據(jù)挖掘工具
小結(jié)
習(xí)題
第2章 數(shù)據(jù)倉(cāng)庫(kù)
2.1 數(shù)據(jù)倉(cāng)庫(kù)的基本概念
2.2 數(shù)據(jù)倉(cāng)庫(kù)的體系結(jié)構(gòu)
2.2.1 元數(shù)據(jù)
2.2.2 粒度的概念
2.2.3 分割問(wèn)題
2.2.4 數(shù)據(jù)倉(cāng)庫(kù)中的數(shù)據(jù)組織形式
2.3 數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)模型
2.3.1 概念數(shù)據(jù)模型
2.3.2 邏輯數(shù)據(jù)模型
2.3.3 物理數(shù)據(jù)模型
2.3.4 高層數(shù)據(jù)模型、中間層數(shù)據(jù)模型和低層數(shù)據(jù)模型
2.4 數(shù)據(jù)倉(cāng)庫(kù)設(shè)計(jì)步驟
2.4.1 概念模型設(shè)計(jì)
2.4.2 技術(shù)準(zhǔn)備工作
2.4.3 邏輯模型設(shè)計(jì)
2.4.4 物理模型設(shè)計(jì)
2.4.5 數(shù)據(jù)倉(cāng)庫(kù)的生成
2.4.6 數(shù)據(jù)倉(cāng)庫(kù)的使用和維護(hù)
2.5 利用SQL Server 2005構(gòu)建數(shù)據(jù)倉(cāng)庫(kù)
小結(jié)
習(xí)題
第3章 聯(lián)機(jī)分析處理技術(shù)
3.1 OLAP概述
3.1.1 OLAP的由來(lái)
3.1.2 OLAP的一些基本概念
3.1.3 OLAP的定義與特征
3.2 OLAP中的多維分析操作
3.2.1 鉆取
3.2.2 切片和切塊
3.2.3 旋轉(zhuǎn)
3.3 OLAP的基本數(shù)據(jù)模型
3.3.1 多維聯(lián)機(jī)分析處理
3.3.2 關(guān)系聯(lián)機(jī)分析處理
3.3.3 MOLAP和ROLAP的比較
3.3.4 混合型聯(lián)機(jī)分析處理
3.4 OLAP的衡量標(biāo)準(zhǔn)
3.5 基于SQL Server 2005的OLAP實(shí)現(xiàn)
小結(jié)
習(xí)題
第4章 數(shù)據(jù)預(yù)處理
4.1 數(shù)據(jù)預(yù)處理概述
4.1.1 原始數(shù)據(jù)中存在的問(wèn)題
4.1.2 數(shù)據(jù)預(yù)處理的方法和功能
4.2 數(shù)據(jù)清洗
4.2.1 屬性選擇與處理
4.2.2 空缺值處理
4.2.3 噪聲數(shù)據(jù)處理
4.2.4 不平衡數(shù)據(jù)的處理
4.3 數(shù)據(jù)集成和變換
4.3.1 數(shù)據(jù)集成
4.3.2 數(shù)據(jù)變換
4.4 數(shù)據(jù)歸約
4.4.1 數(shù)據(jù)歸約的方法
4.4.2 數(shù)據(jù)立方體聚集
4.4.3 維歸約
4.4.4 數(shù)據(jù)壓縮
4.4.5 數(shù)值歸約
4.4.6 離散化與概念分層生成
小結(jié)
習(xí)題
第5章 關(guān)聯(lián)規(guī)則方法
5.1 關(guān)聯(lián)規(guī)則的概念和分類
5.1.1 關(guān)聯(lián)規(guī)則的概念
5.1.2 關(guān)聯(lián)規(guī)則的分類
5.2 Apriori算法
5.2.1 產(chǎn)生頻繁項(xiàng)集
5.2.2 產(chǎn)生頻繁項(xiàng)集的實(shí)例
5.2.3 從頻繁項(xiàng)集產(chǎn)生關(guān)聯(lián)規(guī)則
5.3 FP-Growth算法
5.3.1 FP-Growth算法計(jì)算過(guò)程
5.3.2 FP-Growth算法示例
5.4 利用SQL Server 2005進(jìn)行關(guān)聯(lián)規(guī)則挖掘
小結(jié)
習(xí)題
第6章 決策樹(shù)方法
6.1 信息論的基本原理
6.1.1 信息論原理
6.1.2 互信息的計(jì)算
6.2 常用決策樹(shù)算法
6.2.1 ID3算法
6.2.2 C4.5算法
6.3 決策樹(shù)剪枝
6.3.1 先剪枝
6.3.2 后剪枝
6.4 由決策樹(shù)提取分類規(guī)則
6.4.1 獲得簡(jiǎn)單規(guī)則
6.4.2 精簡(jiǎn)規(guī)則屬性
6.5 利用SQL Server 2005進(jìn)行決策樹(shù)挖掘
6.5.1 數(shù)據(jù)準(zhǔn)備
6.5.2 挖掘模型設(shè)置
6.5.3 挖掘流程
6.5.4 挖掘結(jié)果分析
6.5.5 挖掘性能分析
小結(jié)
習(xí)題
第7章 統(tǒng)計(jì)學(xué)習(xí)方法
7.1 樸素貝葉斯分類
7.1.1 貝葉斯定理
7.1.2 樸素貝葉斯分類
7.2 貝葉斯信念網(wǎng)絡(luò)
7.2.1 貝葉斯信念網(wǎng)絡(luò)
7.2.2 貝葉斯網(wǎng)絡(luò)的特點(diǎn)
7.2.3 貝葉斯網(wǎng)絡(luò)的應(yīng)用
7.3 EM算法
7.3.1 估計(jì)k個(gè)高斯分布的均值
7.3.2 EM算法的一般表述
7.4 回歸分析
7.4.1 一元線性回歸
7.4.2 多元線性回歸
7.4.3 非線性回歸
7.5 利用SQL Server 2005進(jìn)行線性回歸分析
小結(jié)
習(xí)題
第8章 人工神經(jīng)網(wǎng)絡(luò)方法
8.1 人工神經(jīng)網(wǎng)絡(luò)的基本概念
8.1.1 人工神經(jīng)元原理
8.1.2 人工神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)
8.1.3 人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
8.1.4 人工神經(jīng)網(wǎng)絡(luò)泛化
8.2 誤差反向傳播（BP）神經(jīng)網(wǎng)絡(luò)
8.2.1 BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)
8.2.2 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
8.2.3 BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)
8.3 自組織特征映射（SOFM）神經(jīng)網(wǎng)絡(luò)
8.3.1 SOFM神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)
8.3.2 SOFM神經(jīng)網(wǎng)絡(luò)聚類的基本算法
8.3.3 SOFM神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法分析
8.4 Elman神經(jīng)網(wǎng)絡(luò)
8.4.1 Elman神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)
8.4.2 Elman神經(jīng)網(wǎng)絡(luò)權(quán)值計(jì)算
8.5 Hopfield神經(jīng)網(wǎng)絡(luò)
8.5.1 Hopfield神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)
8.5.2 Hopfield神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法概述
8.5.3 離散Hopfield神經(jīng)網(wǎng)絡(luò)
8.5.4 連續(xù)Hopfield神經(jīng)網(wǎng)絡(luò)
8.6 利用SQL Server 2005神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)挖掘
8.6.1 數(shù)據(jù)準(zhǔn)備
8.6.2 挖掘流程
小結(jié)
習(xí)題
第9章 聚類分析
9.1 聚類概述
9.1.1 聚類簡(jiǎn)介
9.1.2 聚類的定義
9.1.3 聚類的要求
9.2 聚類分析中的相異度計(jì)算
9.2.1 聚類算法中的數(shù)據(jù)結(jié)構(gòu)
9.2.2 區(qū)間標(biāo)度變量及其相異度計(jì)算
9.2.3 二元變量及其相異度計(jì)算
9.2.4 標(biāo)稱型變量及其相異度計(jì)算
9.2.5 序數(shù)型變量及其相異度計(jì)算
9.2.6 比例標(biāo)度型變量及其相異度計(jì)算
9.2.7 混合類型變量的相異度計(jì)算
9.3 基于劃分的聚類方法
9.3.1 k-平均算法
9.3.2 k-中心點(diǎn)算法
9.4 基于層次的聚類方法
9.5 譜聚類方法
9.5.1 譜聚類的步驟
9.5.2 譜聚類的優(yōu)點(diǎn)
9.5.3 譜聚類實(shí)例
9.6 利用SQL Server 2005進(jìn)行聚類分析
9.6.1 挖掘流程
9.6.2 結(jié)果分析
小結(jié)
習(xí)題
第10章 粗糙集方法
10.1 粗糙集的基本概念
10.1.1 等價(jià)關(guān)系與等價(jià)類
10.1.2 信息表與決策表
10.1.3 下近似與上近似
10.2 基于粗糙集的屬性約簡(jiǎn)
10.2.1 屬性約簡(jiǎn)的有關(guān)概念
10.2.2 基于粗糙集的幾種屬性約簡(jiǎn)算法
10.3 基于粗糙集的決策規(guī)則約簡(jiǎn)
10.3.1 決策規(guī)則的定義
10.3.2 決策規(guī)則的約簡(jiǎn)
10.4 粗糙集的優(yōu)缺點(diǎn)
10.4.1 粗糙集的優(yōu)點(diǎn)
10.4.2 粗糙集的缺點(diǎn)
小結(jié)
習(xí)題
第11章 復(fù)雜結(jié)構(gòu)數(shù)據(jù)挖掘
11.1 文本數(shù)據(jù)挖掘
11.1.1 文本數(shù)據(jù)的特點(diǎn)
11.1.2 文本挖掘的定義
11.1.3 文本挖掘的主要任務(wù)
11.1.4 文本挖掘的一般過(guò)程
11.1.5 文本挖掘的應(yīng)用
11.2 Web數(shù)據(jù)挖掘
11.2.1 Web數(shù)據(jù)的特點(diǎn)
11.2.2 Web挖掘的定義
11.2.3 Web挖掘分類
11.2.4 Web挖掘過(guò)程
11.2.5 Web數(shù)據(jù)挖掘的應(yīng)用
11.3 空間數(shù)據(jù)挖掘
11.3.1 空間數(shù)據(jù)的復(fù)雜性特征
11.3.2 空間數(shù)據(jù)挖掘的定義
11.3.3 空間數(shù)據(jù)挖掘知識(shí)的類型
11.3.4 空間數(shù)據(jù)挖掘的用途
11.4 多媒體數(shù)據(jù)挖掘
11.4.1 多媒體數(shù)據(jù)挖掘的概念
11.4.2 多媒體挖掘的分類
小結(jié)
習(xí)題
參考文獻(xiàn)