數(shù)據(jù)挖掘原理與應(yīng)用：SQL Server 2005數(shù)據(jù)庫(kù)

1.1  什么是數(shù)據(jù)挖掘    1
1.2  數(shù)據(jù)挖掘解決的商業(yè)問(wèn)題    4
1.3  數(shù)據(jù)挖掘的任務(wù)    5
1.3.1  分類    5
1.3.2  聚類    5
1.3.3  關(guān)聯(lián)    6
1.3.4  回歸    6
1.3.5  預(yù)測(cè)    7
1.3.6  序列分析    7
1.3.7  偏差分析    8
1.4  數(shù)據(jù)挖掘技術(shù)    8
1.5  數(shù)據(jù)流    9
1.6  數(shù)據(jù)挖掘項(xiàng)目的生命周期    10
1.6.1  第1步：數(shù)據(jù)收集    10
1.6.2  第2步：數(shù)據(jù)清理和轉(zhuǎn)換    10
1.6.3  第3步：模型構(gòu)建    12
1.6.4  第4步：模型評(píng)估    12
1.6.5  第5步：報(bào)告    13
1.6.6  第6步：預(yù)測(cè)(評(píng)分)    13
1.6.7  第7步：應(yīng)用集成    13
1.6.8  第8步：模型管理    13
1.7  數(shù)據(jù)挖掘當(dāng)前市場(chǎng)與主要廠商    14
1.7.1  數(shù)據(jù)挖掘市場(chǎng)的大小    14
1.7.2  主要生產(chǎn)廠商和產(chǎn)品    14
1.8  目前存在的問(wèn)題及挑戰(zhàn)    15
1.9  數(shù)據(jù)挖掘標(biāo)準(zhǔn)    16
1.10  OLE DB for DM規(guī)范和
XML for Analysis規(guī)范    16
1.10.1  用于數(shù)據(jù)挖掘的SQL/Multimedia    17
1.10.2  Java數(shù)據(jù)挖掘API    18
1.10.3  預(yù)測(cè)模型標(biāo)記語(yǔ)言    20
1.10.4  Crisp-DM模型    23
1.10.5  公共倉(cāng)庫(kù)元數(shù)據(jù)    24
1.11  數(shù)據(jù)挖掘的新趨勢(shì)    25
1.12  本章小結(jié)    26
第2章  OLE DB for DM規(guī)范    27
2.1  OLE DB介紹    27
2.2  為什么使用OLE DB進(jìn)行數(shù)據(jù)挖掘    29
2.3  OLE DB for DM規(guī)范中的基本概念    31
2.3.1  事例    31
2.3.2  事例鍵    32
2.3.3  嵌套鍵    32
2.3.4  事例表和嵌套表    33
2.3.5  標(biāo)量列和表列    33
2.3.6  數(shù)據(jù)挖掘模型    33
2.3.7  模型創(chuàng)建    33
2.3.8  模型訓(xùn)練    33
2.3.9  模型預(yù)測(cè)    34
2.4  DMX    34
2.4.1  數(shù)據(jù)挖掘的3個(gè)步驟    34
2.4.2  預(yù)測(cè)函數(shù)    43
2.4.3  單例查詢    50
2.4.4  僅僅使用內(nèi)容進(jìn)行預(yù)測(cè)    51
2.4.5  鉆取模型的內(nèi)容    52
2.4.6  內(nèi)容查詢    52
2.5  理解模式行集    52
2.5.1  Mining_Services模式行集    53
2.5.2  Service_Parameters模式行集    54
2.5.3  Mining_Models模式行集    54
2.5.4  Mining_Columns模式行集    55
2.5.5  Mining_Model_Content模式行集    55
2.5.6  Query_Content模式行集    58
2.5.7  Mining_Functions模式行集    59
2.5.8  Model_PMML模式行集    60
2.6  理解用于挖掘結(jié)構(gòu)的DMX擴(kuò)展    60
2.6.1  挖掘結(jié)構(gòu)    60
2.6.2  挖掘結(jié)構(gòu)的DMX擴(kuò)展    61
2.6.3  Mining Structure模式行集    62
2.7  本章小結(jié)    63
第3章  實(shí)踐SQL Server數(shù)據(jù)挖掘    65
3.1  BI Dev Studio介紹    65
3.1.1  理解用戶界面    66
3.1.2  脫機(jī)模式和即時(shí)模式    68
3.2  設(shè)置數(shù)據(jù)源    72
3.2.1  數(shù)據(jù)源    72
3.2.2  使用數(shù)據(jù)源視圖    74
3.3  創(chuàng)建和編輯模型    83
3.3.1  結(jié)構(gòu)和模型    83
3.3.2  使用數(shù)據(jù)挖掘向?qū)?nbsp;   83
3.3.3  創(chuàng)建MovieClick挖掘結(jié)構(gòu)和挖掘模型    88
3.3.4  使用數(shù)據(jù)挖掘設(shè)計(jì)器    89
3.4  處理    94
3.5  使用模型    96
3.5.1  了解模型查看器    96
3.5.2  使用挖掘準(zhǔn)確性圖表    98
3.5.3  為MovieClick模型創(chuàng)建一個(gè)提升圖    101
3.5.4  使用挖掘模型預(yù)測(cè)    101
3.5.5  針對(duì)MovieClick模型執(zhí)行查詢    102
3.5.6  創(chuàng)建數(shù)據(jù)挖掘報(bào)表    103
3.6  使用SQL Server Management Studio    104
3.6.1  了解Management Studio用戶界面    105
3.6.2  使用對(duì)象資源管理器    106
3.6.3  使用查詢編輯器    106
3.7  本章小結(jié)    107
第4章  Microsoft貝葉斯算法    109
4.1  貝葉斯算法介紹    109
4.2  理解貝葉斯算法的基本原理    110
4.3  貝葉斯算法的參數(shù)    112
4.4  使用貝葉斯算法    113
4.4.1  DMX    114
4.4.2  理解貝葉斯模型的內(nèi)容    115
4.4.3  瀏覽貝葉斯模型    117
4.5  本章小結(jié)    120
第5章  Microsoft決策樹(shù)算法    121
5.1  決策樹(shù)算法介紹    121
5.2  決策樹(shù)算法的基本原理    122
5.2.1  決策樹(shù)生成的基本思想    122
5.2.2  處理變量中的多個(gè)狀態(tài)    125
5.2.3  避免過(guò)度訓(xùn)練    125
5.2.4  結(jié)合先驗(yàn)知識(shí)    126
5.2.5  特征選擇    126
5.2.6  使用連續(xù)的輸入屬性    127
5.2.7  回歸    127
5.2.8  使用Microsoft決策樹(shù)算法進(jìn)行關(guān)聯(lián)分析    128
5.3  理解算法參數(shù)    129
5.4  使用決策樹(shù)算法    131
5.4.1  DMX查詢    131
5.4.2  模型內(nèi)容    135
5.4.3  解釋模型    136
5.5  本章小結(jié)    139
第6章  Microsoft時(shí)序算法    141
6.1  Microsoft時(shí)序算法介紹    141
6.2  Microsoft時(shí)序算法的
基本原理    142
6.2.1  自動(dòng)回歸    142
6.2.2  使用多個(gè)時(shí)間序列    144
6.2.3  自動(dòng)回歸樹(shù)    144
6.2.4  季節(jié)性    145
6.2.5  預(yù)測(cè)歷史    146
6.2.6  高速緩存預(yù)測(cè)    146
6.3  理解時(shí)序算法的參數(shù)    147
6.4  使用Microsoft時(shí)序算法    148
6.4.1  DMX查詢    148
6.4.2  模型內(nèi)容    152
6.4.3  模型解釋    152
6.5  本章小結(jié)    155
第7章  Microsoft聚類算法    157
7.1  Microsoft聚類算法介紹    158
7.2  聚類算法的基本原理    159
7.2.1  硬聚類算法與軟聚類算法    160
7.2.2  離散聚類    161
7.2.3  可伸縮聚類    162
7.2.4  聚類預(yù)測(cè)    163
7.3  聚類算法的參數(shù)    163
7.4  使用聚類模型    166
7.4.1  將聚類作為一個(gè)分析步驟    166
7.4.2  DMX    167
7.4.3  模型內(nèi)容    169
7.4.4  理解聚類模型    169
7.5  本章小結(jié)    174
第8章  Microsoft序列聚類算法    175
8.1  Microsoft序列聚類算法介紹    175
8.2  Microsoft序列聚類算法的基本原理    176
8.2.1  什么是馬爾可夫鏈    176
8.2.2  馬爾可夫鏈的階    176
8.2.3  狀態(tài)轉(zhuǎn)移矩陣    177
8.2.4  使用馬爾可夫鏈來(lái)進(jìn)行聚類    178
8.2.5  聚類分解    180
8.3  序列聚類算法的參數(shù)    180
8.4  使用序列聚類算法    181
8.4.1  DMX查詢    181
8.4.2  模型內(nèi)容    185
8.4.3  解釋模型    185
8.5  本章小結(jié)    189
第9章  Microsoft關(guān)聯(lián)規(guī)則算法    191
9.1  Microsoft關(guān)聯(lián)規(guī)則算法介紹    191
9.2  關(guān)聯(lián)規(guī)則算法的基本原理    192
9.2.1  理解關(guān)聯(lián)規(guī)則算法的基本概念    192
9.2.2  挖掘頻繁項(xiàng)集    195
9.2.3  生成關(guān)聯(lián)規(guī)則    198
9.2.4  預(yù)測(cè)    198
9.3  關(guān)聯(lián)算法的參數(shù)    199
9.4  使用關(guān)聯(lián)算法    200
9.4.1  DMX查詢    200
9.4.2  模型內(nèi)容    202
9.4.3  解釋模型    203
9.5  本章小結(jié)    205
第10章  Microsoft神經(jīng)網(wǎng)絡(luò)算法    207
10.1  Microsoft神經(jīng)網(wǎng)絡(luò)算法的基本原理    207
10.1.1  什么是神經(jīng)網(wǎng)絡(luò)    208
10.1.2  組合和激活    209
10.1.3  反向傳播、誤差函數(shù)和共軛梯度    211
10.1.4  處理神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)單示例    212
10.1.5  規(guī)范化和映射    213
10.1.6  網(wǎng)絡(luò)拓?fù)?nbsp;   214
10.1.7  訓(xùn)練終止條件    215
10.2  神經(jīng)網(wǎng)絡(luò)算法的參數(shù)    215
10.3  DMX查詢    216
10.4  模型內(nèi)容    218
10.5  解釋模型    219
10.6  本章小結(jié)    221
第11章  挖掘OLAP立方體    223
11.1  OLAP介紹    224
11.1.1  理解星型模式和雪花模式    225
11.1.2  理解維和層次    225
11.1.3  理解度量和度量組    226
11.1.4  理解立方體的處理和存儲(chǔ)    227
11.1.5  使用前攝緩存    228
11.1.6  查詢立方體    228
11.2  執(zhí)行計(jì)算    229
11.3  瀏覽立方體    230
11.4  理解統(tǒng)一維度模型    231
11.5  理解OLAP和數(shù)據(jù)挖掘之間的關(guān)系    234
11.5.1  OLAP在聚集數(shù)據(jù)方面給數(shù)據(jù)挖掘帶來(lái)的好處    235
11.5.2  OLAP需要數(shù)據(jù)挖掘來(lái)發(fā)現(xiàn)模式    235
11.5.3  OLAP挖掘與關(guān)系挖掘    236
11.6  使用向?qū)Ш途庉嬈鱽?lái)構(gòu)建OLAP挖掘模型    237
11.6.1  使用數(shù)據(jù)挖掘向?qū)?nbsp;   237
11.6.2  構(gòu)建客戶細(xì)分模型    237
11.6.3  創(chuàng)建購(gòu)物籃模型    239
11.6.4  創(chuàng)建銷售預(yù)測(cè)模型    242
11.6.5  使用數(shù)據(jù)挖掘編輯器    245
11.7  理解數(shù)據(jù)挖掘維    246
11.8  在DMX查詢內(nèi)部使用MDX    248
11.9  將AMO用于OLAP挖掘模型    249
11.10  本章小結(jié)    253
第12章  SQL Server集成服務(wù)
數(shù)據(jù)挖掘    255
12.1  SSIS介紹    255
12.1.1  理解SSIS包    257
12.1.2  任務(wù)流    257
12.1.3  數(shù)據(jù)流    259
12.2  在SSIS環(huán)境中進(jìn)行數(shù)據(jù)挖掘    261
12.2.1  數(shù)據(jù)挖掘任務(wù)    262
12.2.2  數(shù)據(jù)挖掘轉(zhuǎn)換    267
12.3  本章小結(jié)    276
第13章  SQL Server數(shù)據(jù)挖掘的體系結(jié)構(gòu)    277
13.1  Analysis Services體系
結(jié)構(gòu)介紹    277
13.2  XML for Analysis    278
13.2.1  XMLA的API    279
13.2.2  XMLA和Analysis Services    282
13.3  處理體系結(jié)構(gòu)    283
13.4  數(shù)據(jù)挖掘管理    284
13.4.1  服務(wù)器配置    284
13.4.2  數(shù)據(jù)挖掘安全    285
13.5  本章小結(jié)    287
第14章  SQL Server數(shù)據(jù)挖掘編程    289
14.1  數(shù)據(jù)挖掘API    290
14.1.1  ADO    291
14.1.2  ADO.NET    291
14.1.3  ADOMD.NET    291
14.1.4  Server ADOMD    292
14.1.5  AMO    292
14.2  使用Analysis Services的API    292
14.3  使用Microsoft.AnalysisServices
創(chuàng)建和管理挖掘模型    293
14.3.1  AMO的基本原理    294
14.3.2  AMO應(yīng)用程序和安全    295
14.3.3  對(duì)象的創(chuàng)建    296
14.4  瀏覽和查詢挖掘模型    305
14.4.1  使用ADOMD.NET來(lái)預(yù)測(cè)    306
14.4.2  瀏覽模型    309
14.4.3  存儲(chǔ)過(guò)程    311
14.4.4  編寫(xiě)存儲(chǔ)過(guò)程    312
14.5  本章小結(jié)    317
第15章  實(shí)現(xiàn)一個(gè)Web交叉銷售
應(yīng)用程序    319
15.1  源數(shù)據(jù)描述    319
15.2  構(gòu)建模型    320
15.2.1  確定數(shù)據(jù)挖掘任務(wù)    320
15.2.2  將決策樹(shù)算法應(yīng)用于關(guān)聯(lián)任務(wù)    320
15.2.3  使用關(guān)聯(lián)規(guī)則算法    322
15.2.4  兩個(gè)模型的比較    324
15.3  執(zhí)行預(yù)測(cè)    325
15.3.1  批處理預(yù)測(cè)查詢    325
15.3.2  使用單例預(yù)測(cè)查詢    327
15.4  在Web應(yīng)用程序中集成預(yù)測(cè)功能    327
15.4.1  理解Web應(yīng)用程序的體系結(jié)構(gòu)    327
15.4.2  設(shè)置權(quán)限    328
15.4.3  分析Web推薦應(yīng)用程序的樣例代碼    329
15.5  本章小結(jié)    332
第16章  使用Microsoft Excel進(jìn)行高級(jí)預(yù)測(cè)    333
16.1  針對(duì)會(huì)話模型來(lái)配置Analysis Services    333
16.2  使用高級(jí)預(yù)測(cè)工具    334
16.3  ExcelTimeSeries插件的體系結(jié)構(gòu)    336
16.4  構(gòu)建輸入數(shù)據(jù)集    336
16.5  創(chuàng)建和訓(xùn)練挖掘模型    339
16.5.1  連接數(shù)據(jù)挖掘引擎    339
16.5.2  創(chuàng)建和訓(xùn)練    340
16.6  預(yù)測(cè)序列    342
16.7  結(jié)合所有代碼    343
16.8  本章小結(jié)    346
第17章  擴(kuò)展SQL Server數(shù)據(jù)挖掘    347
17.1  理解插件算法    347
17.1.1  插件算法的架構(gòu)    348
17.1.2  插件算法的概念    348
17.1.3  模型的創(chuàng)建和處理    350
17.1.4  預(yù)測(cè)    351
17.1.5  內(nèi)容導(dǎo)航    352
17.1.6  受托管的插件    352
17.1.7  安裝插件算法    353
17.2  使用數(shù)據(jù)挖掘查看器    353
17.3  本章小結(jié)    354
第18章  總結(jié)與其他資源    355
18.1  重新回顧SQL Server 2005
數(shù)據(jù)挖掘的亮點(diǎn)    355
18.1.1  最新的算法    355
18.1.2  易于使用的工具    356
18.1.3  簡(jiǎn)單而強(qiáng)大的API    356
18.1.4  與同類BI技術(shù)的集成    357
18.2  探討數(shù)據(jù)挖掘的新領(lǐng)域及應(yīng)用357
18.3  延伸閱讀    358
18.3.1  Microsoft數(shù)據(jù)挖掘的資源358
18.3.2  數(shù)據(jù)挖掘的其他資源    358
18.3.3  流行的數(shù)據(jù)挖掘Web站點(diǎn)359
18.3.4  流行的數(shù)據(jù)挖掘會(huì)議    359
附錄A  導(dǎo)入數(shù)據(jù)集    361
A.1  數(shù)據(jù)集    361
A.1.1  MovieClick數(shù)據(jù)集    361
A.1.2  Voting Records數(shù)據(jù)集    363
A.1.3  FoodMart 2000數(shù)據(jù)集    364
A.1.4  College Plans數(shù)據(jù)集    364
A.2  導(dǎo)入數(shù)據(jù)集    364
附錄B  支持的VBA函數(shù)和
Excel函數(shù)    369
附錄C  學(xué)習(xí)資源    373