数据仓库与数据挖掘实践

第 1 章数据仓库概述
1.1 数据仓库及其历史
1.1.1 数据库技术的发展
1.1.2 什么是数据仓库
1.2 数据仓库系统及其开发工具
1.2.1 数据仓库系统的组成
1.2.2 ETL
1.2.3 数据仓库和数据集市的关系
1.2.4 元数据及其管理
1.3 数据仓库系统开发工具
1.4 数据仓库与操作型数据库的关系
1.4.1 从数据库到数据仓库
1.4.2 数据仓库为什么是分离的
1.4.3 数据仓库与操作型数据库的对比
1.4.4 ODS
1.5 商务智能与数据仓库的关系
练习题 1
思考题 1

第 2 章数据仓库设计
2.1 数据仓库设计概述
2.1.1 数据仓库设计原则
2.1.2 数据仓库构建模式
2.1.3 数据仓库设计步骤
2.2 数据仓库的规划和需求分析
2.2.1 数据仓库的规划
2.2.2 数据仓库的需求分析
2.3 数据仓库的建模
2.3.1 多维数据模型及相关概念
VI
2.3.2 多维数据模型的实现
2.3.3 数据仓库建模的主要工作
2.3.4 几种常见的基于关系数据库的多维数据模型
2.4 数据仓库的物理模型设计
2.4.1 确定数据的存储结构
2.4.2 确定索引策略
2.4.3 确定存储分配
2.5 数据仓库的部署和维护
2.5.1 数据仓库的部署
2.5.2 数据仓库的维护
2.6 一个简单的数据仓库SDWS 设计示例
2.6.1 SDWS 的需求分析
2.6.2 SDWS 的建模
2.6.3 基于SQL Server 2008 设计SDWS
练习题 2
思考题 2

第 3 章 OLAP 技术
3.1 OLAP 概述
3.1.1 什么是OLAP
3.1.2 OLAP 技术的特性
3.1.3 OLAP 和OLTP 的区别
3.1.4 数据仓库与OLAP 的关系
3.1.5 OLAP 分类
3.2 OLAP 的多维数据模型
3.2.1 多维数据模型的定义
3.2.2 OLAP 的基本分析操作
3.2.3 一个简单的多维数据模型
3.3 OLAP 实现
3.3.1 数据立方体的有效计算
3.3.2 索引OLAP 数据
3.3.3 OLAP 查询的有效处理
练习题 3
思考题 3

第 4 章数据挖掘概述
4.1 什么是数据挖掘
4.1.1 数据挖掘的定义
4.1.2 数据挖掘的知识表示
4.1.3 数据挖掘的主要任务
4.1.4 数据挖掘的发展
VII
4.1.5 数据挖掘的对象
4.1.6 数据挖掘的分类
4.1.7 数据挖掘与数据仓库及OLAP 的关系
4.1.8 数据挖掘的应用
4.2 数据挖掘系统
4.2.1 数据挖掘系统的结构
4.2.2 数据挖掘系统的设计
4.2.3 常用的数据挖掘系统及其发展
4.3 数据挖掘过程
4.3.1 数据挖掘步骤
4.3.2 数据清理
4.3.3 数据集成
4.3.4 数据变换
4.3.5 数据归约
4.3.6 离散化和概念分层生成
4.3.7 数据挖掘的算法
4.4 数据挖掘的未来展望
练习题 4
思考题 4

第 5 章关联分析
5.1 关联分析的概念
5.1.1 事务数据库
5.1.2 关联规则及其度量
5.1.3 频繁项集
5.1.4 挖掘关联规则的基本过程
5.2 Apriori 算法
5.2.1 Apriori 性质
5.2.2 Apriori 算法
5.2.3 由频繁项集产生关联规则
5.2.4 提高Apriori 算法的有效性
5.2.5 非二元属性的关联规则挖掘
5.3 频繁项集的紧凑表示
5.3.1 最大频繁项集
5.3.2 频繁闭项集
5.4 FP-growth 算法
5.4.1 FP-growth 算法框架
5.4.2 FP 树构造
5.4.3 由FP 树产生频繁项集
5.5 多层关联规则的挖掘
VIII
5.5.1 多层关联规则的挖掘概述
5.5.2 多层关联规则的挖掘算法
5.5.3 多维关联规则
5.6 其他类型的关联规则
5.6.1 基于约束的关联规则
5.6.2 负关联规则
5.7 SQL Server 挖掘关联规则的示例
5.7.1 建立DM 数据库
5.7.2 建立关联挖掘项目
5.7.3 部署关联挖掘项目并浏览结果
练习题 5
思考题 5

第 6 章序列模式挖掘
6.1 序列模式挖掘概述
6.1.1 序列数据库
6.1.2 序列模式挖掘算法
6.2 Apriori 类算法
6.2.1 AprioriAll 算法
6.2.2 AprioriSome 算法
6.2.3 DynamicSome 算法
6.2.4 GSP 算法
6.2.5 SPADE 算法
6.3 模式增长框架的序列挖掘算法
6.3.1 FreeSpan 算法
6.3.2 PrefixSpan 算法
练习题 6
思考题 6

第 7 章分类方法
7.1 分类过程
7.1.1 学习阶段
7.1.2 分类阶段
7.2 k-最邻近分类算法
7.3 决策树分类算法
7.3.1 决策树
7.3.2 建立决策树的ID3 算法
7.3.3 建立决策树的C4.5 算法
7.4 贝叶斯分类算法
7.4.1 贝叶斯分类概述
7.4.2 朴素贝叶斯分类
IX
7.4.3 树增强朴素贝叶斯分类
7.5 神经网络算法
7.5.1 生物神经元和人工神经元
7.5.2 人工神经网络
7.5.3 前馈神经网络用于分类
7.5.4 SQL Server 中神经网络分类示例
7.6 支持向量机
7.6.1 线性可分时的二元分类问题
7.6.2 线性不可分时的二元分类问题
练习题 7
思考题 7

第 8 章回归分析和时序挖掘
8.1 线性和非线性回归分析
8.1.1 一元线性回归分析
8.1.2 多元线性回归分析
8.1.3 非线性回归分析
8.2 逻辑回归分析
8.2.1 逻辑回归原理
8.2.2 逻辑回归模型
8.2.3 SQL Server 中逻辑回归分析示例
8.3 时序分析模型
8.3.1 时序分析概述
8.3.2 时序预测的常用方法
8.3.3 回归分析与时序分析的关系
8.3.4 确定性时序模型
8.3.5 随机时序模型
8.3.6 SQL Server 建立随机时序模型示例
8.4 时序的相似性搜索
8.4.1 相似性搜索的概念
8.4.2 完全匹配
8.4.3 基于离散傅里叶变换的子序列匹配
8.4.4 基于规范变换的子序列匹配
练习题 8
思考题 8

第 9 章粗糙集理论
9.1 粗糙集理论概述
9.1.1 粗糙集理论的产生
9.1.2 粗糙集理论的特点
9.1.3 粗糙集理论在数据挖掘中的应用
X
9.2 粗糙集理论中的基本概念
9.2.1 集合的基本概念
9.2.2 信息系统和粗糙集
9.2.3 分类的近似度量
9.3 信息系统的属性约简
9.3.1 约简和核
9.3.2 分辨矩阵求核
9.4 决策表及其属性约简
9.4.1 决策表及相关概念
9.4.2 决策表的属性约简算法
9.5 决策表的值约简及其算法
9.5.1 决策规则及其简化
9.5.2 决策规则的极小化
9.6 粗糙集在数据挖掘中的应用示例
练习题 9
思考题 9

第 10 章聚类方法
10.1 聚类概述
10.1.1 什么是聚类
10.1.2 相似性测度
10.1.3 聚类过程
10.1.4 聚类算法的评价
10.1.5 聚类方法的分类
10.1.6 聚类分析在数据挖掘中的应用
10.1.7 聚类算法的要求
10.2 基于划分的聚类算法
10.2.1 k-均值算法
10.2.2 k-中心点算法
10.3 基于层次的聚类算法
10.3.1 层次聚类算法概述
10.3.2 DIANA 算法和AGNES 算法
10.3.3 BIRCH 算法
10.3.4 CURE 算法
10.3.5 ROCK 算法
10.3.6 Chameleon 算法
10.4 基于密度的聚类算法
10.4.1 DBSCAN 算法
10.4.2 OPTICS 算法
10.5 基于网格的聚类算法
XI
10.5.1 STING 算法
10.5.2 WaveCluster 算法
10.5.3 CLIQUE 算法
10.6 基于模型的聚类算法
10.6.1 EM 算法
10.6.2 COBWEB 算法
10.7 离群点分析
10.7.1 离群点概述
10.7.2 常见的离群点检测方法
练习题 10
思考题 10

第 11 章其他挖掘方法
11.1 文本挖掘
11.1.1 文本挖掘概述
11.1.2 数据预处理技术
11.1.3 文本结构分析
11.1.4 文本分类
11.1.5 文本聚类
11.1.6 文本摘要
11.1.7 文本关联分析
11.2 Web 挖掘
11.2.1 Web 挖掘概述
11.2.2 Web 结构挖掘
11.2.3 Web 内容挖掘
11.2.4 Web 使用挖掘
11.2.5 Web 挖掘的发展方向
11.3 空间数据挖掘
11.3.1 空间数据概述
11.3.2 空间数据立方体和空间OLAP
11.3.3 空间数据挖掘方法
练习题 11
思考题 11
附录A 常用的优化方法
参考文献