數據倉庫與數據挖掘教程（第2版）

第1章 數據倉庫與數據挖掘概述
1.1 數據倉庫的興起
1.1.1 從數據庫到數據倉庫
1.1.2 從OLTP到OLAP
1.1.3 數據字典與元數據
1.1.4 數據倉庫的定義與特點
1.2 數據挖掘的興起
1.2.1 從機器學習到數據挖掘
1.2.2 數據挖掘含義
1.2.3 數據挖掘與OLAP的比較
1.2.4 數據挖掘與統(tǒng)計學
1.3 數據倉庫和數據挖掘的結合
1.3.1 數據倉庫和數據挖掘的區(qū)別與聯系
1.3.2 基于數據倉庫的決策支持系統(tǒng)
1.3.3 數據倉庫與商業(yè)智能
習題
第2章 數據倉庫原理
2.1 數據倉庫結構體系
2.1.1 數據倉庫結構
2.1.2 數據集市及其結構
2.1.3 數據倉庫系統(tǒng)結構
2.1.4 數據倉庫的運行結構
2.2 數據倉庫數據模型
2.2.1 星型模型
2.2.2 雪花模型
2.2.3 星網模型
2.2.4 第三范式
2.3 數據抽取、轉換和裝載
2.3.1 數據抽取
2.3.2 數據轉換
2.3.3 數據裝載
2.3.4 ETL工具
2.4 元數據
2.4.1 元數據的重要性
2.4.2 關于數據源的元數據
2.4.3 關于數據模型的元數據
2.4.4 關于數據倉庫映射的元數據
2.4.5 關于數據倉庫使用的元數據
習題
第3章 聯機分析處理
3.1 OLAP概念
3.1.1 OLAP的定義
3.1.2 OLAP準則
3.1.3 OLAP的基本概念
3.2 OLAP的數據模型
3.2.1 MOLAP數據模型
3.2.2 ROLAP數據模型
3.2.3 MOLAP與ROLAP的比較
3.2.4 HOLAP數據模型
3.3 多維數據的顯示
3.3.1 多維數據顯示方法
3.3.2 多維類型結構
3.3.3 多維數據的分析視圖
3.4 OALP的多維數據分析
3.4.1 多維數據分析的基本操作
3.4.2 多維數據分析實例
3.4.3 廣義OLAP功能
3.4.4 數據立方體
3.4.5 多維數據分析的MDX語言及其應用
習題
第4章 數據倉庫設計與開發(fā)
4.1 數據倉庫分析與設計
4.1.1 需求分析
4.1.2 概念模型設計
4.1.3 邏輯模型設計
4.1.4 物理模型設計
4.1.5 數據倉庫的索引技術
4.2 數據倉庫開發(fā)
4.2.1 數據倉庫開發(fā)過程
4.2.2 數據質量與數據清洗
4.2.3 數據粒度與維度建模
4.3 數據倉庫技術與開發(fā)的困難
4.3.1 數據倉庫技術
4.3.2 數據倉庫開發(fā)的困難
習題
第5章 數據倉庫的決策支持
5.1 數據倉庫的用戶
5.1.1 數據倉庫的信息使用者
5.1.2 數據倉庫的探索者
5.2 數據倉庫的決策支持與決策支持系統(tǒng)
5.2.1 查詢與報表
5.2.2 多維分析與原因分析
5.2.3 預測未來
5.2.4 實時決策
5.2.5 自動決策
5.2.6 決策支持系統(tǒng)
5.3 數據倉庫應用實例
5.3.1 航空公司數據倉庫決策支持系統(tǒng)簡例
5.3.2 統(tǒng)計業(yè)數據倉庫系統(tǒng)
5.3.3 沃爾瑪數據倉庫系統(tǒng)
習題
第6章 數據挖掘原理
6.1 數據挖掘綜述
6.1.1 數據挖掘與知識發(fā)現
6.1.2 數據挖掘對象
6.1.3 數據挖掘任務
6.1.4 數據挖掘分類
6.1.5 不完全數據處理
6.1.6 數據庫的數據濃縮
6.2 數據挖掘方法和技術
6.2.1 歸納學習的信息論方法
6.2.2 歸納學習的集合論方法
6.2.3 仿生物技術的神經網絡方法
6.2.4 仿生物技術的遺傳算法
6.2.5 數值數據的公式發(fā)現
6.2.6 可視化技術
6.3 數據挖掘的知識表示
6.3.1 規(guī)則知識
6.3.2 決策樹知識
6.3.3 知識基(濃縮數據)
6.3.4 神經網絡權值
6.3.5 公式知識
6.3.6 案例
習題
第7章 信息論方法
7.1 信息論原理
7.1.1 信道模型和學習信道模型
7.1.2 信息熵與條件熵
7.1.3 互信息與信息增益
7.1.4 信道容量與譯碼準則
7.2 決策樹方法
7.2.1 決策樹概念
7.2.2 ID3方法基本思想
7.2.3 ID3算法
7.2.4 實例與討論
7.2.5 C4.5方法
7.3 決策規(guī)則樹方法
7.3.1 IBLE方法基本思想
7.3.2 IBLE算法
7.3.3 IBLE方法實例
習題
第8章 集合論方法
8.1 粗糙集方法
8.1.1 粗糙集概念
8.1.2 屬性約簡的粗糙集理論
8.1.3 屬性約簡的粗糙集方法
8.1.4 粗糙集方法的規(guī)則獲取
8.1.5 粗糙集方法的應用實例
8.2 K-均值聚類
8.2.1 聚類方法簡介
8.2.2 K-均值聚類方法與實例
8.3 關聯規(guī)則挖掘
8.3.1 關聯規(guī)則的挖掘原理
8.3.2 Apriori算法基本思想
8.3.3 Apriori算法程序
8.3.4 基于FP-tree的關聯規(guī)則挖掘算法
習題
第9章 神經網絡
9.1 神經網絡概念與感知機
9.1.1 神經網絡原理
9.1.2 感知機網絡
9.1.3 感知機實例與討論
9.2 反向傳播網絡
9.2.1 反向傳播網絡結構
9.2.2 BP網絡學習公式推導
9.2.3 BP網絡的典型實例
9.3 徑向基函數網絡
9.3.1 徑向基函數RBF網絡原理
9.3.2 RBF網絡算法與分析
9.4 神經網絡的幾何意義
9.4.1 神經網絡的超平面含義
9.4.2 異或問題的實例分析
習題
第10章 遺傳算法與進化計算
10.1 遺傳算法
10.1.1 遺傳算法基本原理
10.1.2 遺傳算子
10.1.3 遺傳算法簡例
10.1.4 遺傳算法的特點
10.2 基于遺傳算法的分類學習系統(tǒng)
10.2.1 概述
10.2.2 遺傳分類學習系統(tǒng)GCLS的基本原理
10.2.3 遺傳分類學習系統(tǒng)GCLS的應用
10.3 進化計算
10.3.1 進化計算概述
10.3.2 進化策略與進化規(guī)劃
10.3.3 進化計算小結
習題
第11章 公式發(fā)現
11.1 公式發(fā)現概述
11.1.1 曲線擬合與發(fā)現學習
11.1.2 啟發(fā)式與數據驅動啟發(fā)式
11.2 科學定律重新發(fā)現系統(tǒng)
11.2.1 BACON系統(tǒng)基本原理
11.2.2 BACON系統(tǒng)實例
11.2.3 BACON系統(tǒng)的進展
11.3 經驗公式發(fā)現系統(tǒng)
11.3.1 FDD系統(tǒng)基本原理
11.3.2 FDD.1系統(tǒng)
11.3.3 FDD.2系統(tǒng)
11.3.4 FDD.3系統(tǒng)
習題
第12章 知識挖掘
12.1 變換規(guī)則的知識挖掘
12.1.1 適應變化環(huán)境的變換和變換規(guī)則
12.1.2 變換規(guī)則的知識挖掘的理論基礎
12.1.3 變換規(guī)則的知識推理
12.1.4 變換規(guī)則鏈的知識挖掘
12.1.5 適應變化環(huán)境的變換規(guī)則元知識
12.2 軟件進化規(guī)律的知識挖掘
12.2.1 數值計算的進化
12.2.2 計算機程序的進化
12.2.3 數據存儲的進化
12.2.4 知識處理的進化
12.2.5 進化規(guī)律的知識挖掘
習題
第13章 文本挖掘與Web挖掘
13.1 文本挖掘概述
13.1.1 文本挖掘的基本概念
13.1.2 文本特征的表示
13.1.3 文本特征的提取
13.2 文本挖掘
13.2.1 文本挖掘功能層次
13.2.2 文本關聯分析
13.2.3 文本聚類
13.2.4 文本分類
13.3 Web挖掘
13.3.1 Web挖掘概述
13.3.2 Web內容挖掘
13.3.3 Web結構挖掘
13.3.4 Web應用(訪問信息)挖掘
13.3.5 Web日志分析與實例
習題
參考文獻