SQL Server 2005數(shù)據(jù)挖掘實例分析

前言
第1章　數(shù)據(jù)挖掘基本知識
1.1 數(shù)據(jù)挖掘的概念
1.2 數(shù)據(jù)挖掘的存儲對象
1.2.1 關系數(shù)據(jù)庫
1.2.2 數(shù)據(jù)倉庫
1.2.3 事務數(shù)據(jù)庫
1.2.4 高級數(shù)據(jù)庫系統(tǒng)和高級數(shù)據(jù)庫應用
1.3 基本數(shù)據(jù)挖掘任務
1.3.1 特征和區(qū)分
1.3.2 關聯(lián)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(shù)據(jù)挖掘系統(tǒng)的分類
1.5 數(shù)據(jù)挖掘的主要問題
第2章　數(shù)據(jù)倉庫OLAP技術
2.1 數(shù)據(jù)倉庫的概念
2.1.1 數(shù)據(jù)倉庫的定義
2.1.2 數(shù)據(jù)倉庫的建立
2.1.3 操作數(shù)據(jù)庫系統(tǒng)與數(shù)據(jù)倉庫的區(qū)別
2.1.4 分離的數(shù)據(jù)倉庫
2.2 多維數(shù)據(jù)模型
2.2.1 由表和電子數(shù)據(jù)表到數(shù)據(jù)方
2.2.2 多維數(shù)據(jù)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(shù)據(jù)模型上的OLAP操作
2.2.7 多維數(shù)據(jù)庫的星型查詢模型
2.3 數(shù)據(jù)倉庫的系統(tǒng)結構
2.3.1 數(shù)據(jù)倉庫的設計步驟和結構
2.3.2 三層數(shù)據(jù)倉庫結構
2.3.3 OLAP服務器類型（ROLAP、MOLAP、HOLAP）的比較
2.4 數(shù)據(jù)倉庫實現(xiàn)
2.4.1 數(shù)據(jù)方的有效計算
2.4.2 索引OLAP數(shù)據(jù)
2.4.3 OLAP查詢的有效處理
2.4.4 元數(shù)據(jù)存儲
2.4.5 數(shù)據(jù)倉庫后端工具和實用程序
2.5 數(shù)據(jù)方技術的進一步發(fā)展
2.5.1 數(shù)據(jù)方發(fā)現(xiàn)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(shù)據(jù)倉庫到數(shù)據(jù)挖掘
2.6.1 數(shù)據(jù)倉庫的使用
2.6.2 由聯(lián)機分析處理到聯(lián)機分析挖掘
第3章　數(shù)據(jù)預處理
3.1 數(shù)據(jù)預處理的重要性
3.2 數(shù)據(jù)清洗
3.2.1 遺漏數(shù)據(jù)處理
3.2.2 噪聲數(shù)據(jù)處理
3.2.3 不一致數(shù)據(jù)處理
3.3 數(shù)據(jù)集成與轉換
3.3.1 數(shù)據(jù)集成處理
3.3.2 數(shù)據(jù)轉換處理
3.4 數(shù)據(jù)消減
3.4.1 數(shù)據(jù)立方合計
3.4.2 維數(shù)消減
3.4.3 數(shù)據(jù)塊消減
3.5 離散化和概念層次樹生成
3.5.1 數(shù)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(shù)據(jù)挖掘
4.1 關于Business Intelligence Development Studio
4.1.1 關于用戶界面
4.1.2 聯(lián)機模式和離線模式
4.1.3 如何創(chuàng)建數(shù)據(jù)挖掘對象
4.2 對數(shù)據(jù)源進行設置
4.2.1 數(shù)據(jù)源
4.2.2 使用數(shù)據(jù)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(shù)據(jù)挖掘向導
4.3.3 創(chuàng)建MovieClick的數(shù)據(jù)挖掘結構和模型
4.3.4 使用數(shù)據(jù)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(shù)據(jù)挖掘報告
第5章　關聯(lián)規(guī)則
5.1 關聯(lián)規(guī)則簡介
5.1.1 購物籃分析
5.1.2 關聯(lián)規(guī)則挖掘路線
5.2 關聯(lián)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(chǎn)生關聯(lián)規(guī)則
5.2.3提高Aptiori的有效性
5.3 Microsoft關聯(lián)規(guī)則挖掘模型簡介
5.4 Microsoft關聯(lián)規(guī)則挖掘模型的使用
5.4.1 挖掘問題的提出
5.4.2 數(shù)據(jù)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(shù)據(jù)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(jīng)網(wǎng)絡
6.7.1 神經(jīng)網(wǎng)絡概述
6.7.2 前饋神經(jīng)網(wǎng)絡
6.7.3 Microsoft神經(jīng)網(wǎng)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(shù)據(jù)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(shù)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(wǎng)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(shù)
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(shù)據(jù)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(shù)據(jù)的挖掘
8.1 時序數(shù)據(jù)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(shù)據(jù)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(shù)據(jù)挖掘的應用和發(fā)展趨勢
9.1 數(shù)據(jù)挖掘的應用
9.1.1 針對生物醫(yī)學和DNA數(shù)據(jù)分析的數(shù)據(jù)挖掘
9.1.2 針對金融數(shù)據(jù)分析的數(shù)據(jù)挖掘
9.1.3 零售業(yè)中的數(shù)據(jù)挖掘
9.1.4 電信業(yè)中的數(shù)據(jù)挖掘
9.2 數(shù)據(jù)挖掘系統(tǒng)產(chǎn)品和研究原型
9.2.1 怎樣選擇一個數(shù)據(jù)挖掘系統(tǒng)
9.2.2 商用數(shù)據(jù)挖掘系統(tǒng)的例子
9.3 數(shù)據(jù)挖掘的其他主題
9.3.1 視頻和音頻數(shù)據(jù)挖掘
9.3.2 科學和統(tǒng)計數(shù)據(jù)挖掘
9.3.3 數(shù)據(jù)挖掘的理論基礎
9.3.4 數(shù)據(jù)挖掘和智能查詢應答
9.4 數(shù)據(jù)挖掘的社會影響
9.5 數(shù)據(jù)挖掘的發(fā)展趨勢
參考文獻