數(shù)據(jù)倉庫與數(shù)據(jù)挖掘

定　價：￥26.00

作　者：	陳志泊主編，韓慧等編著
出版社：	清華大學(xué)出版社
叢編項：	重點大學(xué)計算機專業(yè)系列教材
標　簽：	數(shù)據(jù)倉庫與數(shù)據(jù)挖掘

購買這本書可以去

ISBN：	9787302197102	出版時間：	2009-05-01	包裝：	平裝
開本：	16開	頁數(shù)：	249	字數(shù)：

內(nèi)容簡介

　　《數(shù)據(jù)倉庫與數(shù)據(jù)挖掘》主要介紹數(shù)據(jù)倉庫和數(shù)據(jù)挖掘技術(shù)的基本原理和應(yīng)用方法，全書共分為12章，主要內(nèi)容包括數(shù)據(jù)倉庫的概念和體系結(jié)構(gòu)、數(shù)據(jù)倉庫的數(shù)據(jù)存儲和處理、數(shù)據(jù)倉庫系統(tǒng)的設(shè)計與開發(fā)、關(guān)聯(lián)規(guī)則、數(shù)據(jù)分類、數(shù)據(jù)聚類、貝葉斯網(wǎng)絡(luò)、粗糙集、神經(jīng)網(wǎng)絡(luò)、遺傳算法、統(tǒng)計分析、文本和Web挖掘?！稊?shù)據(jù)倉庫與數(shù)據(jù)挖掘》既重視理論知識的講解，又強調(diào)應(yīng)用技能的培養(yǎng)。每章首先介紹算法的主要思想和理論基礎(chǔ)，之后利用算法去解決實例中給出的任務(wù)，而且對于數(shù)據(jù)倉庫的組建方法和多數(shù)章節(jié)中的數(shù)據(jù)挖掘算法，《數(shù)據(jù)倉庫與數(shù)據(jù)挖掘》都使用Microsoft SQL Server 2005進行了操作實現(xiàn)?！稊?shù)據(jù)倉庫與數(shù)據(jù)挖掘》通過對具體實例的學(xué)習和實踐，使讀者掌握數(shù)據(jù)倉庫和數(shù)據(jù)挖掘中必要的知識點，達到學(xué)以致用的目的?！稊?shù)據(jù)倉庫與數(shù)據(jù)挖掘》每章均配有習題，習題形式為選擇題、簡答題和操作題，可以幫助讀者進一步鞏固和掌握所學(xué)知識。此外，《數(shù)據(jù)倉庫與數(shù)據(jù)挖掘》提供多媒體教學(xué)課件和習題參考答案，讀者可到清華大學(xué)出版社網(wǎng)站（http：//www.tup.com.cn/）下載?！稊?shù)據(jù)倉庫與數(shù)據(jù)挖掘》可以作為高等學(xué)校計算機及相關(guān)專業(yè)本科、研究生的數(shù)據(jù)倉庫和數(shù)據(jù)挖掘教材，也可供相關(guān)領(lǐng)域的廣大科技工作人員和高校師生參考。

作者簡介

暫缺《數(shù)據(jù)倉庫與數(shù)據(jù)挖掘》作者簡介

圖書目錄

第1章數(shù)據(jù)倉庫的概念與體系結(jié)構(gòu)
1．1 數(shù)據(jù)倉庫的概念、特點與組成
1．1．1 數(shù)據(jù)倉庫的特點
1．1．2 數(shù)據(jù)倉庫的組成
1．2 數(shù)據(jù)挖掘的概念與方法
1．2．1 數(shù)據(jù)挖掘的分析方法
1．2．2 數(shù)據(jù)倉庫與數(shù)據(jù)挖掘的關(guān)系
1．3 數(shù)據(jù)倉庫的技術(shù)、方法與產(chǎn)品
1．3．1 OLAP技術(shù)
1．3．2 數(shù)據(jù)倉庫實施的關(guān)鍵環(huán)節(jié)和技術(shù)
1．3．3 數(shù)據(jù)倉庫實施方法論
1．3．4 常用的數(shù)據(jù)倉庫產(chǎn)品
1．4 數(shù)據(jù)倉庫系統(tǒng)的體系結(jié)構(gòu)
1．4．1 獨立的數(shù)據(jù)倉庫體系結(jié)構(gòu)
1．4．2 基于獨立數(shù)據(jù)集市的數(shù)據(jù)倉庫體系結(jié)構(gòu)
1．4．3 基于依賴型數(shù)據(jù)集市和操作型數(shù)據(jù)存儲的數(shù)據(jù)倉庫體系結(jié)構(gòu)
1．4．4 基于邏輯型數(shù)據(jù)集市和實時數(shù)據(jù)倉庫的體系結(jié)構(gòu)
1．5 數(shù)據(jù)倉庫的產(chǎn)生、發(fā)展與未來
1．5．1 數(shù)據(jù)倉庫的產(chǎn)生
1．5．2 數(shù)據(jù)倉庫的發(fā)展
1．5．3 數(shù)據(jù)倉庫的未來
1．6 小結(jié)
1．7 習題
第2章數(shù)據(jù)倉庫的數(shù)據(jù)存儲與處理
2．1 數(shù)據(jù)倉庫的數(shù)據(jù)結(jié)構(gòu)
2．2 數(shù)據(jù)倉庫的數(shù)據(jù)特征
2．2．1 狀態(tài)數(shù)據(jù)與事件數(shù)據(jù)
2．2．2 當前數(shù)據(jù)與周期數(shù)據(jù)
2．2．3 元數(shù)據(jù)
2．3 數(shù)據(jù)倉庫的數(shù)據(jù)ETL過程
2．3．1 ETL的目標
2．3．2 ETL過程描述
2．3．3 數(shù)據(jù)抽取
2．3．4 數(shù)據(jù)清洗
2．3．5 數(shù)據(jù)轉(zhuǎn)換
2．3．6 數(shù)據(jù)加載和索引
2．4 多維數(shù)據(jù)模型
2．4．1 多維數(shù)據(jù)模型及其相關(guān)概念
2．4．2 多維數(shù)據(jù)模型的實現(xiàn)
2．4．3 多維建模技術(shù)
2．4．4 星型模式舉例
2．5 小結(jié)
2．6 習題
第3章數(shù)據(jù)倉庫系統(tǒng)的設(shè)計與開發(fā)
3．1 數(shù)據(jù)倉庫系統(tǒng)的設(shè)計與開發(fā)概述
3．1．1 建立數(shù)據(jù)倉庫系統(tǒng)的步驟
3．1．2 數(shù)據(jù)倉庫系統(tǒng)的生命周期
3．1．3 建立數(shù)據(jù)倉庫系統(tǒng)的思維模式
3．1．4 數(shù)據(jù)倉庫數(shù)據(jù)庫的設(shè)計步驟
3．2 基于SQLServer2005的數(shù)據(jù)倉庫數(shù)據(jù)庫設(shè)計
3．2．1 分析組織的業(yè)務(wù)狀況及數(shù)據(jù)源結(jié)構(gòu)
3．2．2 組織需求調(diào)研，收集分析需求
3．2．3 采用信息包圖法設(shè)計數(shù)據(jù)倉庫的概念模型
3．2．4 利用星形圖設(shè)計數(shù)據(jù)倉庫的邏輯模型
3．2．5 數(shù)據(jù)倉庫的物理模型設(shè)計
3．3 使用SQLServer2005建立多維數(shù)據(jù)模型
3．3．1 SQLServer2005示例數(shù)據(jù)倉庫環(huán)境的配置與使用
3．3．2 基于SQLServer2005示例數(shù)據(jù)庫的多維數(shù)據(jù)模型
3．4 小結(jié)
3．5 習題
第4章關(guān)聯(lián)規(guī)則
4．1 概述
4．2 引例
4．3 經(jīng)典算法
4．3．1 Apriori算法
4．3．2 FPgrowth算法
4．4 相關(guān)研究與應(yīng)用
4．4．1 分類
4．4．2 SQLServer2005中的關(guān)聯(lián)規(guī)則應(yīng)用
4．5 小結(jié)
4．6 習題
第5章數(shù)據(jù)分類
5．1 引例
5．2 分類問題概述
5．2．1 分類的過程
5．2．2 分類的評價準則
5．3 決策樹
5．3．1 決策樹的基本概念
5．3．2 決策樹算法ID3
5．3．3 ID3算法應(yīng)用舉例
5．3．4 決策樹算法C4．5
5．3．5 SQLServer2005中的決策樹應(yīng)用
5．3．6 決策樹剪枝
5．4 支持向量機
5．5 近鄰分類方法
5．5．1 最近鄰分類方法
5．5．2 k近鄰分類方法
5．5．3 近鄰分類方法應(yīng)用舉例
5．6 小結(jié)
5．7 習題
第6章數(shù)據(jù)聚類
6．1 引例
6．2 聚類分析概述
6．3 聚類分析中相似度的計算方法
6．3．1 連續(xù)型屬性的相似度計算方法
6．3．2 二值離散型屬性的相似度計算方法
6．3．3 多值離散型屬性的相似度計算方法
6．3．4 混合類型屬性的相似度計算方法
6．4 kmeans聚類算法
6．4．1 kmeans聚類算法的基本概念
6．4．2 SQLserver2005中的kmeans應(yīng)用
6．5 層次聚類方法
6．5．1 層次聚類方法的基本概念
6．5．2 層次聚類方法應(yīng)用舉例
6．6 小結(jié)
6．7 習題
第7章貝葉斯網(wǎng)絡(luò)
7．1 引例
7．2 貝葉斯概率基礎(chǔ)
7．2．1 先驗概率、后驗概率和條件概率
7．2．2 條件概率公式
7．2．3 全概率公式
7．2．4 貝葉斯公式
7．3 貝葉斯網(wǎng)絡(luò)概述
7．3．1 貝葉斯網(wǎng)絡(luò)的組成和結(jié)構(gòu)
7．3．2 貝葉斯網(wǎng)絡(luò)的優(yōu)越性
7．3．3 貝葉斯網(wǎng)絡(luò)的三個主要議題
7．4 貝葉斯網(wǎng)絡(luò)的預(yù)測、診斷和訓(xùn)練算法
7．4．1 概率和條件概率數(shù)據(jù)
7．4．2 貝葉斯網(wǎng)絡(luò)的預(yù)測算法
7．4．3 貝葉斯網(wǎng)絡(luò)的診斷算法
7．4．4 貝葉斯網(wǎng)絡(luò)預(yù)測和診斷的綜合算法
7．4．5 貝葉斯網(wǎng)絡(luò)的建立和訓(xùn)練算法
7．5 SQLServer2005中的貝葉斯網(wǎng)絡(luò)應(yīng)用
7．6 小結(jié)
7．7 習題
第8章粗糙集
8．1 引例
8．2 分類與知識
8．2．1 等價關(guān)系和等價類
8．2．2 分類
8．3 粗糙集
8．3．1 分類的運算
8．3．2 分類的表達能力
8．3．3 上近似集和下近似集
8．3．4 正域、負域和邊界
8．3．5 粗糙集應(yīng)用舉例
8．3．6 粗糙集的性質(zhì)
8．4 辨識知識的簡化
8．4．1 集合近似精度的度量
8．4．2 分類近似的度量
8．4．3 等價關(guān)系的可省略、獨立和核
8．4．4 等價關(guān)系簡化舉例
8．4．5 知識的相對簡化
8．4．6 知識的相對簡化舉例
8．5 決策規(guī)則簡化
8．5．1 知識依賴性的度量
8．5．2 簡化決策規(guī)則
8．5．3 可辨識矩陣
8．6 小結(jié)
8．7 習題
第9章神經(jīng)網(wǎng)絡(luò)
9．1 引例
9．2 人工神經(jīng)網(wǎng)絡(luò)
9．2．1 人工神經(jīng)網(wǎng)絡(luò)概述
9．2．2 神經(jīng)元模型
9．2．3 網(wǎng)絡(luò)結(jié)構(gòu)
9．3 BP算法
9．3．1 網(wǎng)絡(luò)結(jié)構(gòu)和數(shù)據(jù)示例
9．3．2 有序?qū)?shù)
9．3．3 計算誤差信號對參數(shù)的有序?qū)?shù)
9．3．4 梯度下降
9．3．5 BP算法描述
9．4 SQLServer2005中的神經(jīng)網(wǎng)絡(luò)應(yīng)用
9．5 小結(jié)
9．6 習題
第10章遺傳算法
10．1 概述
10．2 相關(guān)概念
10．3 基本步驟
10．3．1 概述
10．3．2 引例
10．4 算法設(shè)計
10．4．1 編碼方式
10．4．2 種群規(guī)模
10．4．3 適應(yīng)度函數(shù)
10．4．4 遺傳算子
10．4．5 終止條件
10．5 相關(guān)研究與應(yīng)用
10．6 小結(jié)
10．7 習題
第11章統(tǒng)計分析
11．1 線性回歸模型
11．1．1 線性回歸模型的參數(shù)估計
11．1．2 線性回歸方程的判定系數(shù)
11．1．3 線性回歸方程的檢驗
11．1．4 統(tǒng)計軟件中的線性回歸分析
11．1．5 SQLServer2005中的線性回歸應(yīng)用
11．2 Logistic回歸模型
11．2．1 Logistic回歸模型的參數(shù)估計
11．2．2 統(tǒng)計軟件中Logistic回歸的結(jié)果分析
11．2．3 SQLServer2005中的Logistic回歸應(yīng)用
11．3 時間序列模型
11．3．1 ARIMA模型
11．3．2 建立ARIMA模型的步驟
11．3．3 使用統(tǒng)計軟件估計ARIMA模型
11．3．4 SQLServer2005中的時間序列分析
11．4 小結(jié)
11．5 習題
第12章文本和Web挖掘
12．1 引例
12．2 文本挖掘
12．2．1 文本信息檢索概述
12．2．2 基于關(guān)鍵字的關(guān)聯(lián)分析
12．2．3 文檔自動聚類
12．2．4 自動文檔分類
12．2．5 自動摘要
12．3 Web挖掘
12．3．1 Web內(nèi)容挖掘
12．3．2 Web結(jié)構(gòu)挖掘
12．3．3 Web使用挖掘
12．4 小結(jié)
12．5 習題
參考文獻