數據倉庫與數據挖掘技術

第1章  數據倉庫與數據挖掘概述
  1．1  數據倉庫引論
  1．1．1  為什么要建立數據倉庫
  1．2  什么是數據倉庫
  1．3  數據倉庫的特點
  1．1．4  數據進入數據倉庫的基本過程與建立數據倉庫的步驟
  1．1．5  分析數據倉庫的內容
  1．2  數據挖掘引論
  1．2．1  為什么要進行數據挖掘
  2．2  什么是數據挖掘
  1．2．3  數據挖掘的特點
  1．2．4  數據挖掘的基本過程與步驟
  1．2．5  分析數據挖掘的內容
  1．3  數據挖掘與數據倉庫的關系
  1．4  數據倉庫與數據挖掘的應用
  1．4．1  數據挖掘在零售業(yè)的應用
  1．4，2  數據挖掘在商業(yè)銀行中的應用
  1．4．3  數據挖掘在電信部門的應用
  1．4．4  數據挖掘在貝斯出口公司的應用
  1．4．5  數據挖掘如何預測信用卡欺詐
  1．4．6  數據挖掘在證券行業(yè)的應用
  思考練習題
第2章  數據倉庫的分析
  2．1  影響數據倉庫成功的因素
  2．2  數據倉庫的生命周期
  2．2．1  數據倉庫計劃與準備階段
  2．2．2  數據倉庫的其他階段
  2．3  數據倉庫的基本體系結構
  2．4  數據倉庫的邏輯結構
  2．4．1  數據倉庫中的粒度
  2．4．2  數據倉庫中的數據分割
  2．4．3  數據倉庫中的數據組織
  2．4．4  數據倉庫中的，映照
  2．4．5  數據倉庫中的元數據
  思考練習題
第3章  數據倉庫的設計與實施
  3．1  從數據庫到數據倉庫
  3．2  面向主題的數據倉庫設計
  3．2．1  數據建模
  3．2．2  星型連接
  3．3  開發(fā)數據倉庫的物理設計
  3．3．1  數據倉庫設計工具的選擇
  3．3．2  物理數據模型設計
  3．3．3  數據倉庫中數據表的數量與規(guī)范化
  3．4  數據倉庫的實施
  3．4．1  數據倉庫的實施應注意的問題
  3．4．2  在實施數據倉庫過程中應避免的錯誤
  3．4．3  數據倉庫項目實施成功的要訣
  思考練習題
第4章  信息分析的基本技術
  4．1  自動信息分析的基本技術
  4．1．1  智能代理
  4．1. 2  群體智能
  4．1．3  小波分析
  4．1．4  分形技術分析
  4．2  聯機分析
  4．2．1  聯機分析OLAP的基本術語
  4．2．2  0LAP體系結構和處理的特性
  4．2．3  OLAP多維數據結構與OLAP的分類
  4.2．4  OLAP的多維數據分析方法
  4．2．5  OLAP評價準則
  4．2．6  OLAP的發(fā)展與流行的OLAP工具選擇
  4．3  Rough的信息分析技術
  4．3．1  粗糙集理論的基本概念和理論基礎
  4．3．2  粗糙集在信息分析中的特征表示
  思考練習題
第5章  數據挖掘過程
  5．1  數據挖掘的方法與基本流程
  5．1．1  SEMMA方法
  5.1．2  數據挖掘的基本流程
  5．2  確定主題和定義數據挖掘任務
  5．2．1  確定主題
  5．2．2  定義數據挖掘任務
  5．3  數據預處理
  5.3．1  數據的收集和準備
  5．3．2  數據清理
  5．3．3  數據集成
  5．3．4  數據變換
  5．3．5  數據歸約
  5．3．6  微軟數據轉換服務
  5．4  數據挖掘的模型建立與理解
  5．4．1  關于模型的準確性
  5．4．2  關于模型的可理解性
  5．4．3  關于模型的性能
  5．4．4  描述和可視化
  5．4．5  驗證與評估
  5．5  數據挖掘中常見的一些問題
  5．5．1  商業(yè)用戶提出的問題
  5．5．2  技術問題
  5．5．3  數據挖掘應用問題
  5．5．4  實施數據挖掘項目考慮的問題
  5．5．5  數據挖掘對社會的影響一一有關隱私問題
  5．6  事先無法預測的有價值知識
  思考練習題
第6章  數據挖掘基本算法
  6．1  分類規(guī)則挖掘
  6．1．1  分類與估值
  6．1．2  決策樹
  6．1．3  貝頁斯分類
  6．2  預測分析與趨勢分析規(guī)則
  6．2．1  預言的基本方法
  6．2．2  定量分析預測
  6．2．3  預測的結果分析
  6．2．4  趨勢分析挖掘
  6．3  數據挖掘的關聯算法
  6．3．1  關聯規(guī)則的概念及分類
  6．3．2  簡單形式的關聯規(guī)則算法(單維、單層和布爾關聯規(guī)則)
  6．3．3  多層和多維關聯規(guī)則的挖掘
  6．3．4  貨籃子分析存在的問題
  6．3．5  關聯分析的其他算法
  6．3．6  挖掘序列模式
  6．4  數據挖掘的聚類算法
  6．4．1  聚類分析的概念與分類
  6．4．2  聚類分析中兩個對象之間的相異度計算方法
  6．4．3  劃分方法
  6．4．4  層次方法
  6．4．5  基于密度的方法
  6．4．6  基于網格的方法
  6．4．7  基于模型的聚類方法
  6．4．8  模糊聚類算法
  6．5  數據挖掘的統(tǒng)計分析算法
  6．5．1  辨別分析
  6．5．2  回歸建模
  6．5．3  優(yōu)點和缺點
  6．6  數據挖掘的品種優(yōu)化算法
  6．6．1  品種優(yōu)化
  6．6．2  品種優(yōu)化的算法
  6．7  數據挖掘的進化算法
  6．7．1  遺傳算法
  6．7．2  數據挖掘的神經網絡算法
  思考練習題
第7章  非結構化數據挖掘
  7．1  Web數據挖掘
  7．1．1  非結構化Web數據源
  7．L 2  Web挖掘分類
  7．1．3  Web內容挖掘
  7．1．4  Web結構挖掘
  7．1．5  Web訪問挖掘
  7．1．6  利用Web日志的聚類算法
  7．1．7  電子商務中的Web挖掘
  7．2  空間群數據挖掘
  7．2．1  空間數據挖掘的概念
  7．2．2  空間數據挖掘的分類
  7．2．3  空間數據挖掘的體系結構
  7．3  多媒體數據挖掘
  7．3．1  多媒體數據挖掘的概念
  7．3．2  多媒體數據挖掘的分類
  7．3．3  多媒體數據挖掘的體系結構
  思考練習題
第8章  離群數據挖掘
  8．1  離群數據挖掘的概念
  8．2  離群數據挖掘的分類
  8.3  離群數據挖掘的算法
  8．3．1  基于統(tǒng)計的方法
  8．3．2  基于距離的離群數據方法
  8．3．3  基于偏離的離群數據挖掘
  8．3。4  高維數據的離群數據挖掘
  8．3．5  基于小波的離群數據挖掘
  8．4  市場營銷離群數據挖掘
  8．4．1  市場營銷離群數據的特點
  8.4.2  基于分形的市場營銷離群數據挖掘模型
  思考練習題
第9章  數據挖掘語言與工具的選擇
  9．1  數據挖掘語言及其標準化
  9．1．1  數據挖掘語言的分類
  9．1．2  分析與評價
  9．2  數據挖掘的研究熱點
  9．3  數據挖掘工具的選擇
  9．3．1  評價數據挖掘工具的優(yōu)劣指標
  9．3．2  通用數據挖掘產品與工具
  9．3．3  國內的數據挖掘產品與工具
  9．3．4  數據可視化工具的選擇
  9．3．5  數據挖掘網站與可獲得的數據挖掘算法源代碼
  思考練習題
第10章  知識管理與知識管理系統(tǒng)
  10．1  知識管理
  10．1．1  知識
  10．1．2  知識管理的定義
  10．1．3  有效的知識管理
  10．2  知識管理系統(tǒng)
  10．2．1  知識管理共享的條件
  10．2．2  知識管理共享的困難
  10．2．3  知識管理的激勵機制
  10．2．4  知識管理的體系結構
  思考練習題
附錄  數據挖掘產品部分信息
參考文獻