數(shù)據(jù)倉庫與數(shù)據(jù)挖掘實踐

第 1 章數(shù)據(jù)倉庫概述 （1）
1．1 數(shù)據(jù)倉庫及其歷史 （1）
1．1．1 數(shù)據(jù)庫技術的發(fā)展 （1）
1．1．2 什么是數(shù)據(jù)倉庫 （2）
1．2 數(shù)據(jù)倉庫系統(tǒng)及其開發(fā)工具 （5）
1．2．1 數(shù)據(jù)倉庫系統(tǒng)的組成 （5）
1．2．2 ETL （6）
1．2．3 數(shù)據(jù)倉庫和數(shù)據(jù)集市的關系 （6）
1．2．4 元數(shù)據(jù)及其管理 （7）
1．3 數(shù)據(jù)倉庫系統(tǒng)開發(fā)工具 （8）
1．4 數(shù)據(jù)倉庫與操作型數(shù)據(jù)庫的關系 （9）
1．4．1 從數(shù)據(jù)庫到數(shù)據(jù)倉庫 （9）
1．4．2 數(shù)據(jù)倉庫為什么是分離的（10）
1．4．3 數(shù)據(jù)倉庫與操作型數(shù)據(jù)庫的對比（10）
1．4．4 ODS （11）
1．5 商務智能與數(shù)據(jù)倉庫的關系（11）
練習題 1 （12）
思考題 1 （13）
第 2 章數(shù)據(jù)倉庫設計 （14）
2．1 數(shù)據(jù)倉庫設計概述（14）
2．1．1 數(shù)據(jù)倉庫設計原則（14）
2．1．2 數(shù)據(jù)倉庫構建模式（14）
2．1．3 數(shù)據(jù)倉庫設計步驟（15）
2．2 數(shù)據(jù)倉庫的規(guī)劃和需求分析（15）
2．2．1 數(shù)據(jù)倉庫的規(guī)劃（15）
2．2．2 數(shù)據(jù)倉庫的需求分析（16）
2．3 數(shù)據(jù)倉庫的建模（17）
2．3．1 多維數(shù)據(jù)模型及相關概念（17）
VI
2．3．2 多維數(shù)據(jù)模型的實現(xiàn)（18）
2．3．3 數(shù)據(jù)倉庫建模的主要工作（19）
2．3．4 幾種常見的基于關系數(shù)據(jù)庫的多維數(shù)據(jù)模型（21）
2．4 數(shù)據(jù)倉庫的物理模型設計（26）
2．4．1 確定數(shù)據(jù)的存儲結構（27）
2．4．2 確定索引策略（27）
2．4．3 確定存儲分配（27）
2．5 數(shù)據(jù)倉庫的部署和維護（28）
2．5．1 數(shù)據(jù)倉庫的部署（28）
2．5．2 數(shù)據(jù)倉庫的維護（28）
2．6 一個簡單的數(shù)據(jù)倉庫SDWS 設計示例（29）
2．6．1 SDWS 的需求分析（29）
2．6．2 SDWS 的建模（29）
2．6．3 基于SQL Server 2008 設計SDWS（35）
練習題 2（42）
思考題 2（43）
第 3 章 OLAP 技術 （44）
3．1 OLAP 概述（44）
3．1．1 什么是OLAP （44）
3．1．2 OLAP 技術的特性（44）
3．1．3 OLAP 和OLTP 的區(qū)別（45）
3．1．4 數(shù)據(jù)倉庫與OLAP 的關系（46）
3．1．5 OLAP 分類（46）
3．2 OLAP 的多維數(shù)據(jù)模型（48）
3．2．1 多維數(shù)據(jù)模型的定義（48）
3．2．2 OLAP 的基本分析操作（49）
3．2．3 一個簡單的多維數(shù)據(jù)模型（53）
3．3 OLAP 實現(xiàn)（56）
3．3．1 數(shù)據(jù)立方體的有效計算（56）
3．3．2 索引OLAP 數(shù)據(jù)（61）
3．3．3 OLAP 查詢的有效處理（62）
練習題 3（63）
思考題 3（64）
第 4 章數(shù)據(jù)挖掘概述 （65）
4．1 什么是數(shù)據(jù)挖掘（65）
4．1．1 數(shù)據(jù)挖掘的定義（65）
4．1．2 數(shù)據(jù)挖掘的知識表示（66）
4．1．3 數(shù)據(jù)挖掘的主要任務（66）
4．1．4 數(shù)據(jù)挖掘的發(fā)展（67）
VII
4．1．5 數(shù)據(jù)挖掘的對象（67）
4．1．6 數(shù)據(jù)挖掘的分類（68）
4．1．7 數(shù)據(jù)挖掘與數(shù)據(jù)倉庫及OLAP 的關系（68）
4．1．8 數(shù)據(jù)挖掘的應用（69）
4．2 數(shù)據(jù)挖掘系統(tǒng)（70）
4．2．1 數(shù)據(jù)挖掘系統(tǒng)的結構（70）
4．2．2 數(shù)據(jù)挖掘系統(tǒng)的設計（71）
4．2．3 常用的數(shù)據(jù)挖掘系統(tǒng)及其發(fā)展（73）
4．3 數(shù)據(jù)挖掘過程（74）
4．3．1 數(shù)據(jù)挖掘步驟（74）
4．3．2 數(shù)據(jù)清理（74）
4．3．3 數(shù)據(jù)集成（75）
4．3．4 數(shù)據(jù)變換（76）
4．3．5 數(shù)據(jù)歸約（77）
4．3．6 離散化和概念分層生成（79）
4．3．7 數(shù)據(jù)挖掘的算法（81）
4．4 數(shù)據(jù)挖掘的未來展望（83）
練習題 4 （83）
思考題 4 （84）
第 5 章關聯(lián)分析 （85）
5．1 關聯(lián)分析的概念（85）
5．1．1 事務數(shù)據(jù)庫（85）
5．1．2 關聯(lián)規(guī)則及其度量（86）
5．1．3 頻繁項集（87）
5．1．4 挖掘關聯(lián)規(guī)則的基本過程（87）
5．2 Apriori 算法（88）
5．2．1 Apriori 性質（88）
5．2．2 Apriori 算法（89）
5．2．3 由頻繁項集產生關聯(lián)規(guī)則（93）
5．2．4 提高Apriori 算法的有效性（96）
5．2．5 非二元屬性的關聯(lián)規(guī)則挖掘（99）
5．3 頻繁項集的緊湊表示（100）
5．3．1 最大頻繁項集（100）
5．3．2 頻繁閉項集（101）
5．4 FP-growth 算法（103）
5．4．1 FP-growth 算法框架（103）
5．4．2 FP 樹構造（104）
5．4．3 由FP 樹產生頻繁項集（107）
5．5 多層關聯(lián)規(guī)則的挖掘（109）
VIII
5．5．1 多層關聯(lián)規(guī)則的挖掘概述 （109）
5．5．2 多層關聯(lián)規(guī)則的挖掘算法 （111）
5．5．3 多維關聯(lián)規(guī)則 （114）
5．6 其他類型的關聯(lián)規(guī)則 （114）
5．6．1 基于約束的關聯(lián)規(guī)則 （114）
5．6．2 負關聯(lián)規(guī)則 （114）
5．7 SQL Server 挖掘關聯(lián)規(guī)則的示例 （115）
5．7．1 建立DM 數(shù)據(jù)庫 （115）
5．7．2 建立關聯(lián)挖掘項目 （116）
5．7．3 部署關聯(lián)挖掘項目并瀏覽結果 （120）
練習題 5 （122）
思考題 5 （126）
第 6 章序列模式挖掘（127）
6．1 序列模式挖掘概述 （127）
6．1．1 序列數(shù)據(jù)庫 （127）
6．1．2 序列模式挖掘算法 （129）
6．2 Apriori 類算法 （130）
6．2．1 AprioriAll 算法 （130）
6．2．2 AprioriSome 算法 （135）
6．2．3 DynamicSome 算法 （138）
6．2．4 GSP 算法 （140）
6．2．5 SPADE 算法 （144）
6．3 模式增長框架的序列挖掘算法 （150）
6．3．1 FreeSpan 算法 （150）
6．3．2 PrefixSpan 算法 （152）
練習題 6 （155）
思考題 6 （157）
第 7 章分類方法（158）
7．1 分類過程 （158）
7．1．1 學習階段 （158）
7．1．2 分類階段 （160）
7．2 k-最鄰近分類算法 （160）
7．3 決策樹分類算法 （162）
7．3．1 決策樹 （162）
7．3．2 建立決策樹的ID3 算法 （163）
7．3．3 建立決策樹的C4．5 算法 （173）
7．4 貝葉斯分類算法 （175）
7．4．1 貝葉斯分類概述 （175）
7．4．2 樸素貝葉斯分類 （177）
IX
7．4．3 樹增強樸素貝葉斯分類（183）
7．5 神經網(wǎng)絡算法（185）
7．5．1 生物神經元和人工神經元（185）
7．5．2 人工神經網(wǎng)絡（187）
7．5．3 前饋神經網(wǎng)絡用于分類（189）
7．5．4 SQL Server 中神經網(wǎng)絡分類示例（196）
7．6 支持向量機（199）
7．6．1 線性可分時的二元分類問題（199）
7．6．2 線性不可分時的二元分類問題（203）
練習題 7 （206）
思考題 7 （209）
第 8 章回歸分析和時序挖掘（210）
8．1 線性和非線性回歸分析（210）
8．1．1 一元線性回歸分析（210）
8．1．2 多元線性回歸分析（213）
8．1．3 非線性回歸分析（214）
8．2 邏輯回歸分析（217）
8．2．1 邏輯回歸原理（217）
8．2．2 邏輯回歸模型（218）
8．2．3 SQL Server 中邏輯回歸分析示例（219）
8．3 時序分析模型（221）
8．3．1 時序分析概述（221）
8．3．2 時序預測的常用方法（222）
8．3．3 回歸分析與時序分析的關系（223）
8．3．4 確定性時序模型（223）
8．3．5 隨機時序模型（226）
8．3．6 SQL Server 建立隨機時序模型示例（228）
8．4 時序的相似性搜索（231）
8．4．1 相似性搜索的概念（231）
8．4．2 完全匹配（232）
8．4．3 基于離散傅里葉變換的子序列匹配（232）
8．4．4 基于規(guī)范變換的子序列匹配（234）
練習題 8 （236）
思考題 8 （237）
第 9 章粗糙集理論（238）
9．1 粗糙集理論概述（238）
9．1．1 粗糙集理論的產生（238）
9．1．2 粗糙集理論的特點（238）
9．1．3 粗糙集理論在數(shù)據(jù)挖掘中的應用（239）
X
9．2 粗糙集理論中的基本概念 （239）
9．2．1 集合的基本概念 （239）
9．2．2 信息系統(tǒng)和粗糙集 （240）
9．2．3 分類的近似度量 （244）
9．3 信息系統(tǒng)的屬性約簡 （245）
9．3．1 約簡和核 （245）
9．3．2 分辨矩陣求核 （246）
9．4 決策表及其屬性約簡 （247）
9．4．1 決策表及相關概念 （247）
9．4．2 決策表的屬性約簡算法 （251）
9．5 決策表的值約簡及其算法 （258）
9．5．1 決策規(guī)則及其簡化 （258）
9．5．2 決策規(guī)則的極小化 （261）
9．6 粗糙集在數(shù)據(jù)挖掘中的應用示例 （265）
練習題 9 （266）
思考題 9 （269）
第 10 章聚類方法（270）
10．1 聚類概述 （270）
10．1．1 什么是聚類 （270）
10．1．2 相似性測度 （270）
10．1．3 聚類過程 （272）
10．1．4 聚類算法的評價 （272）
10．1．5 聚類方法的分類 （274）
10．1．6 聚類分析在數(shù)據(jù)挖掘中的應用 （275）
10．1．7 聚類算法的要求 （275）
10．2 基于劃分的聚類算法 （276）
10．2．1 k-均值算法 （276）
10．2．2 k-中心點算法 （283）
10．3 基于層次的聚類算法 （285）
10．3．1 層次聚類算法概述 （285）
10．3．2 DIANA 算法和AGNES 算法 （287）
10．3．3 BIRCH 算法 （289）
10．3．4 CURE 算法 （292）
10．3．5 ROCK 算法 （294）
10．3．6 Chameleon 算法 （295）
10．4 基于密度的聚類算法 （299）
10．4．1 DBSCAN 算法 （299）
10．4．2 OPTICS 算法 （302）
10．5 基于網(wǎng)格的聚類算法 （305）
XI
10．5．1 STING 算法（305）
10．5．2 WaveCluster 算法（307）
10．5．3 CLIQUE 算法（309）
10．6 基于模型的聚類算法（310）
10．6．1 EM 算法（310）
10．6．2 COBWEB 算法（316）
10．7 離群點分析（320）
10．7．1 離群點概述（320）
10．7．2 常見的離群點檢測方法（321）
練習題 10 （322）
思考題 10 （323）
第 11 章其他挖掘方法（324）
11．1 文本挖掘（324）
11．1．1 文本挖掘概述（324）
11．1．2 數(shù)據(jù)預處理技術（325）
11．1．3 文本結構分析（327）
11．1．4 文本分類（328）
11．1．5 文本聚類（330）
11．1．6 文本摘要（332）
11．1．7 文本關聯(lián)分析（332）
11．2 Web 挖掘（333）
11．2．1 Web 挖掘概述（333）
11．2．2 Web 結構挖掘（334）
11．2．3 Web 內容挖掘（341）
11．2．4 Web 使用挖掘（341）
11．2．5 Web 挖掘的發(fā)展方向（343）
11．3 空間數(shù)據(jù)挖掘（343）
11．3．1 空間數(shù)據(jù)概述（344）
11．3．2 空間數(shù)據(jù)立方體和空間OLAP（345）
11．3．3 空間數(shù)據(jù)挖掘方法（346）
練習題 11 （348）
思考題 11 （348）
附錄A 常用的優(yōu)化方法（350）
參考文獻（354）