數(shù)據(jù)挖掘原理與商務(wù)應(yīng)用

第1篇 理論篇
第1章 緒論
1.1 數(shù)據(jù)挖掘的基礎(chǔ)概念
1.1.1 數(shù)據(jù)
1.1.2 知識(shí)
1.1.3 信息
1.1.4 數(shù)據(jù)挖掘的定義
1.2 數(shù)據(jù)挖掘與數(shù)據(jù)庫(kù)的關(guān)系
1.2.1 數(shù)據(jù)庫(kù)簡(jiǎn)介
1.2.2 數(shù)據(jù)挖掘與數(shù)據(jù)庫(kù)
1.3 數(shù)據(jù)挖掘的過(guò)程
1.4 數(shù)據(jù)挖掘的體系結(jié)構(gòu)
1.5 數(shù)據(jù)挖掘在商務(wù)智能中的位置
1.6 數(shù)據(jù)挖掘常見(jiàn)技術(shù)
1.7 數(shù)據(jù)挖掘標(biāo)準(zhǔn)的發(fā)展
1.7.1 預(yù)測(cè)模型標(biāo)記語(yǔ)言PMML
1.7.2 公共倉(cāng)庫(kù)元模型CWM
1.7.3 跨行業(yè)數(shù)據(jù)挖掘標(biāo)準(zhǔn)流程CRISP-DM
1.8 習(xí)題
第2章 數(shù)據(jù)倉(cāng)庫(kù)與OLAP分析
2.1 數(shù)據(jù)倉(cāng)庫(kù)
2.1.1 數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘的關(guān)系
2.1.2 數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)模型
2.1.3 元數(shù)據(jù)
2.2 ETL過(guò)程
2.2.1 數(shù)據(jù)抽取
2.2.2 數(shù)據(jù)轉(zhuǎn)換
2.2.3 數(shù)據(jù)加載
2.3 聯(lián)機(jī)分析處理OLAP
2.3.1 OLAP概念
2.3.2 OLAP的操作
2.3.3 OLAP多維數(shù)據(jù)分析
2.4 習(xí)題
第3章 關(guān)聯(lián)分析
3.1 關(guān)聯(lián)概述
3.2 關(guān)聯(lián)規(guī)則的定義
3.3 關(guān)聯(lián)分析的過(guò)程
3.4 關(guān)聯(lián)分析的基本算法
3.5 關(guān)聯(lián)規(guī)則的分類
3.6 關(guān)聯(lián)分析的發(fā)展
3.7 習(xí)題
第4章 分類分析
4.1 分類概述
4.2 基于決策樹(shù)的分類
4.2.1 決策樹(shù)的概念
4.2.2 決策樹(shù)的基本算法
4.2.3 決策樹(shù)修剪
4.2.4 決策樹(shù)的改進(jìn)
4.3 分類分析的其他技術(shù)
4.3.1 支持向量機(jī)
4.3.2 貝葉斯網(wǎng)絡(luò)
4.4 習(xí)題
第5章 聚類分析
5.1 聚類概述
5.2 相似性度量
5.2.1 明氏（Minkowski）距離
5.2.2 蘭氏（Canberra）距離。
5.2.3 馬氏（Mahalanobis）距離
5.3 層次聚類法
5.3.1 最短距離法
5.3.2 最長(zhǎng)距離法
5.3.3 二元變量度量
5.4 K-均值聚類算法
5.5 習(xí)題
第6章 數(shù)據(jù)挖掘的仿生技術(shù)
6.1 人工神經(jīng)網(wǎng)絡(luò)
6.1.1 人腦神經(jīng)元與神經(jīng)元模型
6.1.2 人工神經(jīng)網(wǎng)絡(luò)模型
6.1.3 BP網(wǎng)絡(luò)的基本原理
6.2 遺傳算法
6.3 蟻群算法
6.4 習(xí)題
第7章 數(shù)據(jù)挖掘的集合論技術(shù)
7.1 粗糙集理論
7.1.1 信息系統(tǒng)
7.1.2 粗糙集
7.1.3 屬性約簡(jiǎn)
7.2 模糊集理論
7.2. 13次數(shù)學(xué)危機(jī)與模糊數(shù)學(xué)的誕生
7.2.2 模糊集合論的基礎(chǔ)知識(shí)
7.2.3 λ截集和支集
7.2.4 怎樣度量模糊性
7.2.5 模糊數(shù)學(xué)應(yīng)用
7.3 習(xí)題
第2篇 實(shí)踐篇
第8章 數(shù)據(jù)挖掘工具
8.1 SPSS工具
8.2 WEKA工具
8.2.1 WEKA的背景
8.2.2 WEKA的功能
8.2.3 WEKA的使用
8.3 IBM Data Miner工具
8.4 MS SQL Server 2008數(shù)據(jù)分析引擎
8.5 ETL工具Data Stage
8.5.1 Datastage過(guò)程理論
8.5.2 Datastage的并行機(jī)制
8.6 習(xí)題
第9章 關(guān)聯(lián)分析在客戶關(guān)系管理的應(yīng)用
9.1 客戶關(guān)系管理基本理論
9.1.1 客戶關(guān)系管理定義
9.1.2 CRM中的客戶類型
9.1.3 CRM系統(tǒng)體系理論
9.1.4 數(shù)據(jù)挖掘在客戶關(guān)系管理中的應(yīng)用
9.2 實(shí)例研究背景——Foodmart簡(jiǎn)介及DB分析
9.3 購(gòu)物數(shù)據(jù)的預(yù)處理
9.4 數(shù)據(jù)集成與轉(zhuǎn)換
9.5 建立Foodmart公司購(gòu)物籃分析模型
9.6 WEKA軟件挖掘過(guò)程
9.7 結(jié)果分析
9.8 習(xí)題
第10章 分類分析和聚類分析在客戶關(guān)系管理的綜合應(yīng)用
10.1 Foodmart DB客戶數(shù)據(jù)分析
10.2 決策樹(shù)分類算法數(shù)據(jù)準(zhǔn)備
10.2.1 數(shù)據(jù)的預(yù)處理
10.2.2 數(shù)據(jù)集成與轉(zhuǎn)換
10.3 零售業(yè)客戶決策樹(shù)分類模型的建立
10.3.1 聚類分析
10.3.2 決策樹(shù)分析
10.3.3 挖掘模型及流程
10.4 結(jié)果分析
10.5 習(xí)題
第11章 機(jī)場(chǎng)場(chǎng)區(qū)商務(wù)智能系統(tǒng)解決方案
11.1 OMG-DMS需求分析
11.2 方案設(shè)計(jì)思路
11.2.1 OMC商務(wù)智能的理念
11.2.2 OMC數(shù)據(jù)挖掘系統(tǒng)
11.3 OMC數(shù)據(jù)挖掘系統(tǒng)的部署
11.4 應(yīng)用數(shù)據(jù)挖掘的OMC-DMS決策支持示例
11.5 OMC-DMS的職位需求
11.6 習(xí)題
參考文獻(xiàn)
后記