第1章數據倉庫和數據挖掘概述
1.1數據倉庫概述
1.1.1數據倉庫的定義
1.1.2數據倉庫與操作型數據庫的關系
1.1.3數據倉庫的應用
1.2數據倉庫系統(tǒng)及開發(fā)工具
1.2.1數據倉庫系統(tǒng)的組成
1.2.2數據倉庫系統(tǒng)開發(fā)工具
1.3商業(yè)智能和數據倉庫
1.3.1什么是商業(yè)智能
1.3.2商業(yè)智能和數據倉庫的關系
1.4數據挖掘概述
1.4.1數據挖掘的定義
1.4.2數據挖掘的主要任務
1.4.3數據挖掘的對象
1.4.4數據挖掘的知識表示
1.4.5數據挖掘與數據倉庫及OLAP的關系
1.4.6數據挖掘的應用
1.5數據挖掘過程
1.5.1數據挖掘步驟
1.5.2數據清理
1.5.3數據集成
1.5.4數據變換
1.5.5數據歸約
1.5.6離散化和概念分層生成
1.5.7數據挖掘的算法
練習題
第2章OLAP和多維數據模型
2.1OLAP概述
2.1.1什么是OLAP
2.1.2OLAP和OLTP的區(qū)別
2.1.3數據倉庫與OLAP的關系
2.2多維數據模型
2.2.1多維數據模型的相關概念
2.2.2OLAP的基本分析操作
2.2.3多維數據模型的實現途徑
2.3數據倉庫的維度建模
2.3.1數據倉庫建模概述
2.3.2星形模型
2.3.3雪花模型
2.3.4事實星座模型
練習題
第3章數據倉庫設計
3.1數據倉庫設計概述
3.1.1數據倉庫設計原則
3.1.2建立數據倉庫系統(tǒng)的兩種模式
3.1.3數據倉庫設計過程
3.2數據倉庫規(guī)劃與需求分析
3.2.1數據倉庫規(guī)劃
3.2.2數據倉庫需求分析
3.3數據倉庫建模
3.3.1數據倉庫建模的主要工作
3.3.2維表設計
3.3.3事實表設計
3.4數據倉庫物理模型設計
3.4.1確定數據的存儲結構
3.4.2確定索引策略
3.4.3確定存儲分配
3.5數據倉庫部署與維護
3.5.1數據倉庫的部署
3.5.2數據倉庫的維護
練習題
第4章SQLServer數據倉庫開發(fā)實例
4.1OnRetDW系統(tǒng)需求分析
4.1.1OnRetDW系統(tǒng)的主題
4.1.2OnRetDW系統(tǒng)的功能
4.2OnRetDW的建模
4.2.1維表設計
4.2.2事實表設計
4.3數據抽取工具設計
4.4基于SQL Server 2012設計OnRetDW
4.4.1創(chuàng)建數據倉庫OnRetDW項目
4.4.2創(chuàng)建數據源
4.4.3創(chuàng)建數據源視圖
4.4.4創(chuàng)建維表
4.4.5創(chuàng)建多維數據集
4.4.6部署SDWS
4.4.7瀏覽已部署的多維數據集
4.5MDX簡介*
4.5.1MDX語言概述
4.5.2執(zhí)行MDX查詢
4.5.3多維數據查詢
練習題
上機實驗題
第5章關聯(lián)分析算法
5.1關聯(lián)分析概述
5.1.1什么是關聯(lián)分析
5.1.2事務數據庫
5.1.3關聯(lián)規(guī)則及其度量
5.1.4頻繁項集
5.1.5挖掘關聯(lián)規(guī)則的基本過程
5.2Apriori算法
5.2.1Apriori性質
5.2.2Apriori算法求頻繁項集
5.2.3由頻繁項集產生強關聯(lián)規(guī)則
5.3SQL Server挖掘關聯(lián)規(guī)則
5.3.1創(chuàng)建DMK數據庫
5.3.2建立關聯(lián)挖掘項目
5.3.3部署關聯(lián)挖掘項目并瀏覽結果
5.4電子商務數據的關聯(lián)規(guī)則挖掘
5.4.1創(chuàng)建OnRetDMK數據庫
5.4.2數據加載功能設計
5.4.3建立關聯(lián)挖掘項目
5.4.4部署關聯(lián)挖掘項目并瀏覽結果
練習題
上機實驗題
第6章決策樹分類算法
6.1分類過程
6.1.1分類概述
6.1.2分類過程的學習階段
6.1.3分類過程的分類階段
6.2決策樹分類
6.2.1決策樹
6.2.2建立決策樹的ID3算法
6.3SQL Server決策樹分類
6.3.1建立數據表
6.3.2建立決策樹分類挖掘模型
6.3.3瀏覽決策樹模型和分類預測
6.4電子商務數據的決策樹分類
6.4.1創(chuàng)建OnRetDMK.DST數據表
6.4.2數據加載功能設計
6.4.3建立決策樹分類模型
6.4.4瀏覽決策樹
練習題
上機實驗題
第7章貝葉斯分類算法
7.1貝葉斯分類概述
7.1.1貝葉斯定理
7.1.2貝葉斯信念網絡
7.2樸素貝葉斯分類
7.2.1樸素貝葉斯分類原理
7.2.2樸素貝葉斯分類算法
7.3SQL Server樸素貝葉斯分類
7.3.1建立樸素貝葉斯分類挖掘模型
7.3.2瀏覽樸素貝葉斯分類模型和分類預測
7.4電子商務數據的貝葉斯分類
7.4.1建立樸素貝葉斯分類挖掘模型
7.4.2瀏覽挖掘結果及分析
練習題
上機實驗題
第8章神經網絡算法
8.1人工神經網絡概述
8.1.1人工神經元
8.1.2人工神經網絡
8.1.3神經網絡應用
8.2用于分類的前饋神經網絡
8.2.1前饋神經網絡的學習過程
8.2.2前饋神經網絡用于分類的算法
8.3SQL Server神經網絡分類
8.3.1建立神經網絡分類挖掘模型
8.3.2瀏覽神經網絡分類模型和分類預測
8.4電子商務數據的神經網絡分類
8.4.1建立神經網絡分類挖掘模型
8.4.2瀏覽挖掘結果及分析
練習題
上機實驗題
第9章回歸分析算法
9.1回歸分析概述
9.2線性回歸分析
9.2.1一元線性回歸分析
9.2.2多元線性回歸分析
9.2.3SQL Server線性回歸分析
9.3非線性回歸分析
9.3.1非線性回歸分析的處理方法
9.3.2可轉換成線性回歸的非線性回歸
9.3.3不可變換成線性回歸的非線性回歸分析*
9.4邏輯回歸分析
9.4.1邏輯回歸原理
9.4.2邏輯回歸模型
9.4.3SQL Server邏輯回歸分析
9.5電子商務數據的邏輯回歸分析
9.5.1建立邏輯回歸挖掘模型
9.5.2瀏覽挖掘結果及分析
練習題
上機實驗題
第10章時間序列分析
10.1時間序列分析概述
10.1.1什么是時間序列和時間序列分析
10.1.2時間序列的分類和平穩(wěn)性判斷
10.1.3時間序列建模的兩種基本假設
10.1.4回歸分析與時間序列分析
10.2確定性時間序列分析
10.2.1移動平均模型
10.2.2指數平滑模型
10.3隨機時間序列模型*
10.3.1隨機時間序列模型概述
10.3.2自回歸模型AR(p)
10.4SQL Server時間序列分析
10.4.1建立數據表
10.4.2建立時間序列分析模型
10.4.3瀏覽時間序列分析模型
10.5電子商務數據的時間序列分析
10.5.1創(chuàng)建OnRetDMK.TS數據表
10.5.2數據加載功能設計
10.5.3建立時間序列分析模型
10.5.4瀏覽時間序列分析模型
練習題
上機實驗題
第11章聚類算法
11.1聚類概述
11.1.1什么是聚類
11.1.2相似性度量
11.1.3聚類過程
11.1.4常見的聚類算法
11.1.5聚類分析的應用
11.2k均值算法及其應用
11.2.1k均值算法
11.2.2SQL Server的k均值算法應用
11.3EM算法及其應用
11.3.1EM算法
11.3.2SQL Server中EM算法
11.4電子商務數據的聚類分析
11.4.1建立聚類挖掘模型
11.4.2兩種算法結果的比較
11.5Microsoft順序分析和聚類分析算法*
11.5.1Microsoft順序分析和聚類分析算法概述
11.5.2Microsoft順序分析和聚類分析算法的應用
練習題
上機實驗題
附錄A部分練習題參考答案
第1章
第2章
第3章
第4章
第5章
第6章
第7章
第8章
第9章
第10章
第11章
附錄B上機實驗題參考答案
第4章
第5章
第6章
第7章
第8章
第9章
第10章
第11章
附錄C書中數據庫和包含的數據表
1. OnRet數據庫
2. SDW數據庫
3. OnRetDMK數據庫
4. DMK數據庫
參考文獻
鄂公網安備 42010302001612號 