SQL Server 2005數據挖掘實例分析

前言
第1章　數據挖掘基本知識
1.1 數據挖掘的概念
1.2 數據挖掘的存儲對象
1.2.1 關系數據庫
1.2.2 數據倉庫
1.2.3 事務數據庫
1.2.4 高級數據庫系統和高級數據庫應用
1.3 基本數據挖掘任務
1.3.1 特征和區(qū)分
1.3.2 關聯分析
1.3.3 分類和預測
1.3.4 聚類分析
1.3.5 局外者分析
1.4 數據挖掘系統的分類
1.5 數據挖掘的主要問題
第2章　數據倉庫OLAP技術
2.1 數據倉庫的概念
2.1.1 數據倉庫的定義
2.1.2 數據倉庫的建立
2.1.3 操作數據庫系統與數據倉庫的區(qū)別
2.1.4 分離的數據倉庫
2.2 多維數據模型
2.2.1 由表和電子數據表到數據方
2.2.2 多維數據庫模式
2.2.3 定義星型、雪花和星座的實例
2.2.4 度量的計算
2.2.5 概念分層
2.2.6 多維數據模型上的OLAP操作
2.2.7 多維數據庫的星型查詢模型
2.3 數據倉庫的系統結構
2.3.1 數據倉庫的設計步驟和結構
2.3.2 三層數據倉庫結構
2.3.3 OLAP服務器類型（ROLAP、MOLAP、HOLAP）的比較
2.4 數據倉庫實現
2.4.1 數據方的有效計算
2.4.2 索引OLAP數據
2.4.3 OLAP查詢的有效處理
2.4.4 元數據存儲
2.4.5 數據倉庫后端工具和實用程序
2.5 數據方技術的進一步發(fā)展
2.5.1 數據方發(fā)現驅動的探查
2.5.2 多粒度上的復雜聚集：多特征方
2.5.3 其他進展
2.6 由數據倉庫到數據挖掘
2.6.1 數據倉庫的使用
2.6.2 由聯機分析處理到聯機分析挖掘
第3章　數據預處理
3.1 數據預處理的重要性
3.2 數據清洗
3.2.1 遺漏數據處理
3.2.2 噪聲數據處理
3.2.3 不一致數據處理
3.3 數據集成與轉換
3.3.1 數據集成處理
3.3.2 數據轉換處理
3.4 數據消減
3.4.1 數據立方合計
3.4.2 維數消減
3.4.3 數據塊消減
3.5 離散化和概念層次樹生成
3.5.1 數值概念層次樹生成
3.5.2 類別概念層次樹生成
第4章　使用SQL Server 2005進行數據挖掘
4.1 關于Business Intelligence Development Studio
4.1.1 關于用戶界面
4.1.2 聯機模式和離線模式
4.1.3 如何創(chuàng)建數據挖掘對象
4.2 對數據源進行設置
4.2.1 數據源
4.2.2 使用數據源視圖
4.3 創(chuàng)建和編輯模型
4.3.1 挖掘結構與模型
4.3.2 使用數據挖掘向導
4.3.3 創(chuàng)建MovieClick的數據挖掘結構和模型
4.3.4 使用數據挖掘設計器
4.4 處理
4.5 使用模型
4.5.1 掌握模型查看器
4.5.2 使用挖掘準確性圖表
4.5.3 在MovieClick上建立提升圖
4.5.4 使用【挖掘模型預測】窗口
4.5.5 創(chuàng)建數據挖掘報告
第5章　關聯規(guī)則
5.1 關聯規(guī)則簡介
5.1.1 購物籃分析
5.1.2 關聯規(guī)則挖掘路線
5.2 關聯規(guī)則挖掘算法
5.2.1 Apriori算法：使用候選項集找頻繁項集
5.2.2 由頻繁項集產生關聯規(guī)則
5.2.3提高Aptiori的有效性
5.3 Microsoft關聯規(guī)則挖掘模型簡介
5.4 Microsoft關聯規(guī)則挖掘模型的使用
5.4.1 挖掘問題的提出
5.4.2 數據準備
5.4.3 挖掘模型簡介
5.4.4 挖掘操作流程
5.4.5 挖掘結果分析
第6章　分類和預測
6.1 分類與預測的內涵
6.2 有關分類和預測的若干問題
6.3 基于決策樹的分類
6.3.1 決策樹生成算法
6.3.2 樹剪枝
6.3.3 由決策樹提取分類規(guī)則
6.4 Microsoft決策樹挖掘模型簡介
6.5 Microsoft決策樹挖掘模型的使用
6.5.1 挖掘問題的提出
6.5.2 數據準備
6.5.3 挖掘模型簡介
6.5.4 挖掘操作流程
6.5.5 挖掘結果分析
6.6 貝葉斯分類
6.6.1 貝葉斯定理
6.6.2 樸素貝葉斯定理
6.6.3 Microsoft貝葉斯挖掘模型簡介
6.6.4 Microsoft貝葉斯挖掘模型的使用
6.6.5 挖掘結果分析
6.7 神經網絡
6.7.1 神經網絡概述
6.7.2 前饋神經網絡
6.7.3 Microsoft神經網絡挖掘模型簡介
6.7.4 挖掘操作流程
6.7.5 挖掘結果分析
第7章　聚類分析
7.1 聚類的概念
7.2 聚類分析中的數據類型
7.2.1 區(qū)間標度（Interval-Scaled）變量
7.2.2 二元（Binary）變量
7.2.3 標稱型、序數型和比例標度型變量
7.2.4 混合類型的變量
7.3 主要聚類方法的分類
7.3.1 劃分方法
7.3.2 層次方法
7.3.3 基于密度的方法
7.3.4 基于網格的方法
7.3.5 基于模型的方法
7.4 Microsoft聚類挖掘模型簡介
7.4.1 典型的劃分方法
7.4.2 算法參數
7.5 Microsoft聚類挖掘模型的使用
7.5.1 挖掘問題的提出
7.5.2 數據準備
7.5.3 挖掘模型簡介
7.5.4 挖掘操作流程
7.5.5 挖掘結果分析
第8章　時序和序列數據的挖掘
8.1 時序數據的挖掘
8.1.1 時序分析中的相似性搜索
8.1.2 Microsoft時序分析挖掘模型簡介
8.1.3 Microsoft時序分析挖掘模型的使用
8.2 序列數據聚類
8.2.1 Microsoft順序分析挖掘模型簡介
8.2.2 Microsoft順序分析挖掘模型的使用
第9章　數據挖掘的應用和發(fā)展趨勢
9.1 數據挖掘的應用
9.1.1 針對生物醫(yī)學和DNA數據分析的數據挖掘
9.1.2 針對金融數據分析的數據挖掘
9.1.3 零售業(yè)中的數據挖掘
9.1.4 電信業(yè)中的數據挖掘
9.2 數據挖掘系統產品和研究原型
9.2.1 怎樣選擇一個數據挖掘系統
9.2.2 商用數據挖掘系統的例子
9.3 數據挖掘的其他主題
9.3.1 視頻和音頻數據挖掘
9.3.2 科學和統計數據挖掘
9.3.3 數據挖掘的理論基礎
9.3.4 數據挖掘和智能查詢應答
9.4 數據挖掘的社會影響
9.5 數據挖掘的發(fā)展趨勢
參考文獻