數(shù)據(jù)挖掘原理與商務應用

定　價：￥26.00

作　者：	朱小棟，徐欣編著
出版社：	立信會計出版社
叢編項：
標　簽：	工學計算機教材研究生/本科/專科教材

購買這本書可以去

ISBN：	9787542938169	出版時間：	2013-03-01	包裝：	平裝
開本：	16開	頁數(shù)：	175	字數(shù)：

內(nèi)容簡介

　　朱小棟、徐欣編著的《數(shù)據(jù)挖掘原理與商務應用（普通高等院校電子商務十二五規(guī)劃重點教材）》的內(nèi)容涵蓋如何利用相關軟件產(chǎn)品實現(xiàn)數(shù)據(jù)挖掘的經(jīng)典算法和技術，還涵蓋數(shù)據(jù)挖掘技術在商務領域中的應用。本書既適合計算機應用技術專業(yè)，也適合經(jīng)管類信息管理與電子商務專業(yè)的學生學習。書中既注重從計算機應用角度來講解數(shù)據(jù)挖掘，又注重數(shù)據(jù)挖掘與商務智能、管理科學、決策支持系統(tǒng)的結合。

作者簡介

暫缺《數(shù)據(jù)挖掘原理與商務應用》作者簡介

圖書目錄

第1篇理論篇
第1章緒論
1.1 數(shù)據(jù)挖掘的基礎概念
1.1.1 數(shù)據(jù)
1.1.2 知識
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)庫的關系
1.2.1 數(shù)據(jù)庫簡介
1.2.2 數(shù)據(jù)挖掘與數(shù)據(jù)庫
1.3 數(shù)據(jù)挖掘的過程
1.4 數(shù)據(jù)挖掘的體系結構
1.5 數(shù)據(jù)挖掘在商務智能中的位置
1.6 數(shù)據(jù)挖掘常見技術
1.7 數(shù)據(jù)挖掘標準的發(fā)展
1.7.1 預測模型標記語言PMML
1.7.2 公共倉庫元模型CWM
1.7.3 跨行業(yè)數(shù)據(jù)挖掘標準流程CRISP-DM
1.8 習題
第2章數(shù)據(jù)倉庫與OLAP分析
2.1 數(shù)據(jù)倉庫
2.1.1 數(shù)據(jù)倉庫與數(shù)據(jù)挖掘的關系
2.1.2 數(shù)據(jù)倉庫的數(shù)據(jù)模型
2.1.3 元數(shù)據(jù)
2.2 ETL過程
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 習題
第3章關聯(lián)分析
3.1 關聯(lián)概述
3.2 關聯(lián)規(guī)則的定義
3.3 關聯(lián)分析的過程
3.4 關聯(lián)分析的基本算法
3.5 關聯(lián)規(guī)則的分類
3.6 關聯(lián)分析的發(fā)展
3.7 習題
第4章分類分析
4.1 分類概述
4.2 基于決策樹的分類
4.2.1 決策樹的概念
4.2.2 決策樹的基本算法
4.2.3 決策樹修剪
4.2.4 決策樹的改進
4.3 分類分析的其他技術
4.3.1 支持向量機
4.3.2 貝葉斯網(wǎng)絡
4.4 習題
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 最長距離法
5.3.3 二元變量度量
5.4 K-均值聚類算法
5.5 習題
第6章數(shù)據(jù)挖掘的仿生技術
6.1 人工神經(jīng)網(wǎng)絡
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)絡模型
6.1.3 BP網(wǎng)絡的基本原理
6.2 遺傳算法
6.3 蟻群算法
6.4 習題
第7章數(shù)據(jù)挖掘的集合論技術
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
7.2 模糊集理論
7.2. 13次數(shù)學危機與模糊數(shù)學的誕生
7.2.2 模糊集合論的基礎知識
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)學應用
7.3 習題
第2篇實踐篇
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過程理論
8.5.2 Datastage的并行機制
8.6 習題
第9章關聯(lián)分析在客戶關系管理的應用
9.1 客戶關系管理基本理論
9.1.1 客戶關系管理定義
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)挖掘在客戶關系管理中的應用
9.2 實例研究背景——Foodmart簡介及DB分析
9.3 購物數(shù)據(jù)的預處理
9.4 數(shù)據(jù)集成與轉(zhuǎn)換
9.5 建立Foodmart公司購物籃分析模型
9.6 WEKA軟件挖掘過程
9.7 結果分析
9.8 習題
第10章分類分析和聚類分析在客戶關系管理的綜合應用
10.1 Foodmart DB客戶數(shù)據(jù)分析
10.2 決策樹分類算法數(shù)據(jù)準備
10.2.1 數(shù)據(jù)的預處理
10.2.2 數(shù)據(jù)集成與轉(zhuǎn)換
10.3 零售業(yè)客戶決策樹分類模型的建立
10.3.1 聚類分析
10.3.2 決策樹分析
10.3.3 挖掘模型及流程
10.4 結果分析
10.5 習題
第11章機場場區(qū)商務智能系統(tǒng)解決方案
11.1 OMG-DMS需求分析
11.2 方案設計思路
11.2.1 OMC商務智能的理念
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 習題
參考文獻
后記