第1章 數(shù)據(jù)倉庫與數(shù)據(jù)挖掘概述
1.1 數(shù)據(jù)倉庫的興起
1.1.1 從數(shù)據(jù)庫到數(shù)據(jù)倉庫
1.1.2 從OLTP到OLAP
1.1.3 數(shù)據(jù)字典與元數(shù)據(jù)
1.1.4 數(shù)據(jù)倉庫的定義與特點
1.2 數(shù)據(jù)挖掘的興起
1.2.1 從機(jī)器學(xué)習(xí)到數(shù)據(jù)挖掘
1.2.2 數(shù)據(jù)挖掘含義
1.2.3 數(shù)據(jù)挖掘與OLAP的比較
1.2.4 數(shù)據(jù)挖掘與統(tǒng)計學(xué)
1.3 數(shù)據(jù)倉庫和數(shù)據(jù)挖掘的結(jié)合
1.3.1 數(shù)據(jù)倉庫和數(shù)據(jù)挖掘的區(qū)別與聯(lián)系
1.3.2 基于數(shù)據(jù)倉庫的決策支持系統(tǒng)
1.3.3 數(shù)據(jù)倉庫與商業(yè)智能
習(xí)題
第2章 數(shù)據(jù)倉庫原理
2.1 數(shù)據(jù)倉庫結(jié)構(gòu)體系
2.1.1 數(shù)據(jù)倉庫結(jié)構(gòu)
2.1.2 數(shù)據(jù)集市及其結(jié)構(gòu)
2.1.3 數(shù)據(jù)倉庫系統(tǒng)結(jié)構(gòu)
2.1.4 數(shù)據(jù)倉庫的運行結(jié)構(gòu)
2.2 數(shù)據(jù)倉庫數(shù)據(jù)模型
2.2.1 星型模型
2.2.2 雪花模型
2.2.3 星網(wǎng)模型
2.2.4 第三范式
2.3 數(shù)據(jù)抽取、轉(zhuǎn)換和裝載
2.3.1 數(shù)據(jù)抽取
2.3.2 數(shù)據(jù)轉(zhuǎn)換
2.3.3 數(shù)據(jù)裝載
2.3.4 ETL工具
2.4 元數(shù)據(jù)
2.4.1 元數(shù)據(jù)的重要性
2.4.2 關(guān)于數(shù)據(jù)源的元數(shù)據(jù)
2.4.3 關(guān)于數(shù)據(jù)模型的元數(shù)據(jù)
2.4.4 關(guān)于數(shù)據(jù)倉庫映射的元數(shù)據(jù)
2.4.5 關(guān)于數(shù)據(jù)倉庫使用的元數(shù)據(jù)
習(xí)題
第3章 聯(lián)機(jī)分析處理
3.1 OLAP概念
3.1.1 OLAP的定義
3.1.2 OLAP準(zhǔn)則
3.1.3 OLAP的基本概念
3.2 OLAP的數(shù)據(jù)模型
3.2.1 MOLAP數(shù)據(jù)模型
3.2.2 ROLAP數(shù)據(jù)模型
3.2.3 MOLAP與ROLAP的比較
3.2.4 HOLAP數(shù)據(jù)模型
3.3 多維數(shù)據(jù)的顯示
3.3.1 多維數(shù)據(jù)顯示方法
3.3.2 多維類型結(jié)構(gòu)
3.3.3 多維數(shù)據(jù)的分析視圖
3.4 OALP的多維數(shù)據(jù)分析
3.4.1 多維數(shù)據(jù)分析的基本操作
3.4.2 多維數(shù)據(jù)分析實例
3.4.3 廣義OLAP功能
3.4.4 數(shù)據(jù)立方體
3.4.5 多維數(shù)據(jù)分析的MDX語言及其應(yīng)用
習(xí)題
第4章 數(shù)據(jù)倉庫設(shè)計與開發(fā)
4.1 數(shù)據(jù)倉庫分析與設(shè)計
4.1.1 需求分析
4.1.2 概念模型設(shè)計
4.1.3 邏輯模型設(shè)計
4.1.4 物理模型設(shè)計
4.1.5 數(shù)據(jù)倉庫的索引技術(shù)
4.2 數(shù)據(jù)倉庫開發(fā)
4.2.1 數(shù)據(jù)倉庫開發(fā)過程
4.2.2 數(shù)據(jù)質(zhì)量與數(shù)據(jù)清洗
4.2.3 數(shù)據(jù)粒度與維度建模
4.3 數(shù)據(jù)倉庫技術(shù)與開發(fā)的困難
4.3.1 數(shù)據(jù)倉庫技術(shù)
4.3.2 數(shù)據(jù)倉庫開發(fā)的困難
習(xí)題
第5章 數(shù)據(jù)倉庫的決策支持
5.1 數(shù)據(jù)倉庫的用戶
5.1.1 數(shù)據(jù)倉庫的信息使用者
5.1.2 數(shù)據(jù)倉庫的探索者
5.2 數(shù)據(jù)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(yù)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(shù)據(jù)倉庫應(yīng)用實例
5.3.1 航空公司數(shù)據(jù)倉庫決策支持系統(tǒng)簡例
5.3.2 統(tǒng)計業(yè)數(shù)據(jù)倉庫系統(tǒng)
5.3.3 沃爾瑪數(shù)據(jù)倉庫系統(tǒng)
習(xí)題
第6章 數(shù)據(jù)挖掘原理
6.1 數(shù)據(jù)挖掘綜述
6.1.1 數(shù)據(jù)挖掘與知識發(fā)現(xiàn)
6.1.2 數(shù)據(jù)挖掘?qū)ο?br />6.1.3 數(shù)據(jù)挖掘任務(wù)
6.1.4 數(shù)據(jù)挖掘分類
6.1.5 不完全數(shù)據(jù)處理
6.1.6 數(shù)據(jù)庫的數(shù)據(jù)濃縮
6.2 數(shù)據(jù)挖掘方法和技術(shù)
6.2.1 歸納學(xué)習(xí)的信息論方法
6.2.2 歸納學(xué)習(xí)的集合論方法
6.2.3 仿生物技術(shù)的神經(jīng)網(wǎng)絡(luò)方法
6.2.4 仿生物技術(shù)的遺傳算法
6.2.5 數(shù)值數(shù)據(jù)的公式發(fā)現(xiàn)
6.2.6 可視化技術(shù)
6.3 數(shù)據(jù)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(shù)據(jù))
6.3.4 神經(jīng)網(wǎng)絡(luò)權(quán)值
6.3.5 公式知識
6.3.6 案例
習(xí)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(xué)習(xí)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(zhǔn)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(xí)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(yīng)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(guān)聯(lián)規(guī)則挖掘
8.3.1 關(guān)聯(lián)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(guān)聯(lián)規(guī)則挖掘算法
習(xí)題
第9章 神經(jīng)網(wǎng)絡(luò)
9.1 神經(jīng)網(wǎng)絡(luò)概念與感知機(jī)
9.1.1 神經(jīng)網(wǎng)絡(luò)原理
9.1.2 感知機(jī)網(wǎng)絡(luò)
9.1.3 感知機(jī)實例與討論
9.2 反向傳播網(wǎng)絡(luò)
9.2.1 反向傳播網(wǎng)絡(luò)結(jié)構(gòu)
9.2.2 BP網(wǎng)絡(luò)學(xué)習(xí)公式推導(dǎo)
9.2.3 BP網(wǎng)絡(luò)的典型實例
9.3 徑向基函數(shù)網(wǎng)絡(luò)
9.3.1 徑向基函數(shù)RBF網(wǎng)絡(luò)原理
9.3.2 RBF網(wǎng)絡(luò)算法與分析
9.4 神經(jīng)網(wǎng)絡(luò)的幾何意義
9.4.1 神經(jīng)網(wǎng)絡(luò)的超平面含義
9.4.2 異或問題的實例分析
習(xí)題
第10章 遺傳算法與進(jìn)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(xué)習(xí)系統(tǒng)
10.2.1 概述
10.2.2 遺傳分類學(xué)習(xí)系統(tǒng)GCLS的基本原理
10.2.3 遺傳分類學(xué)習(xí)系統(tǒng)GCLS的應(yīng)用
10.3 進(jìn)化計算
10.3.1 進(jìn)化計算概述
10.3.2 進(jìn)化策略與進(jìn)化規(guī)劃
10.3.3 進(jìn)化計算小結(jié)
習(xí)題
第11章 公式發(fā)現(xiàn)
11.1 公式發(fā)現(xiàn)概述
11.1.1 曲線擬合與發(fā)現(xiàn)學(xué)習(xí)
11.1.2 啟發(fā)式與數(shù)據(jù)驅(qū)動啟發(fā)式
11.2 科學(xué)定律重新發(fā)現(xiàn)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(jìn)展
11.3 經(jīng)驗公式發(fā)現(xiàn)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(xí)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(yīng)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(chǔ)
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(yīng)變化環(huán)境的變換規(guī)則元知識
12.2 軟件進(jìn)化規(guī)律的知識挖掘
12.2.1 數(shù)值計算的進(jìn)化
12.2.2 計算機(jī)程序的進(jìn)化
12.2.3 數(shù)據(jù)存儲的進(jìn)化
12.2.4 知識處理的進(jìn)化
12.2.5 進(jìn)化規(guī)律的知識挖掘
習(xí)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(guān)聯(lián)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(nèi)容挖掘
13.3.3 Web結(jié)構(gòu)挖掘
13.3.4 Web應(yīng)用(訪問信息)挖掘
13.3.5 Web日志分析與實例
習(xí)題
參考文獻(xiàn)