商務(wù)智能與數(shù)據(jù)挖掘

1.1.3商務(wù)智能的特點(diǎn)
1.1.4商務(wù)智能的過(guò)程
1.2商業(yè)決策需要商務(wù)智能
1.2.1管理就是決策
1.2.2決策需要信息和知識(shí)
1.2.3智能型企業(yè)
1.2.4商務(wù)智能支持商業(yè)決策
1.2.5新一代的決策支持系統(tǒng)
1.3商務(wù)智能的產(chǎn)生與發(fā)展
1.3.1商務(wù)智能的產(chǎn)生和發(fā)展過(guò)程
1.3.2商務(wù)智能與其他系統(tǒng)的關(guān)系
1.4商務(wù)智能的價(jià)值
1.5商務(wù)智能系統(tǒng)的功能
1.6主流商務(wù)智能產(chǎn)品
1.6.1主流商務(wù)智能產(chǎn)品簡(jiǎn)介
1.6.2商務(wù)智能的抉擇
1.7商務(wù)智能的未來(lái)發(fā)展趨勢(shì)
1.8商務(wù)智能的應(yīng)用
1.9本章小結(jié)
習(xí)題
第2章商務(wù)智能中的核心技術(shù)
2.1數(shù)據(jù)倉(cāng)庫(kù)
2.1.1數(shù)據(jù)倉(cāng)庫(kù)的產(chǎn)生與發(fā)展
2.1.2數(shù)據(jù)倉(cāng)庫(kù)的概念與特征
2.1.3ETL
2.1.4數(shù)據(jù)集市
2.1.5數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)組織
2.1.6數(shù)據(jù)倉(cāng)庫(kù)的體系結(jié)構(gòu)
2.1.7數(shù)據(jù)倉(cāng)庫(kù)的開(kāi)發(fā)步驟
2.2在線分析處理
2.2.1OLAP簡(jiǎn)介
2.2.2OLAP的定義和相關(guān)概念
2.2.3OLAP與OLTP的區(qū)別
2.2.4OLAP的分類
2.2.5OLAP多維數(shù)據(jù)分析
2.3商務(wù)智能體系結(jié)構(gòu)
2.3.1商務(wù)智能系統(tǒng)的組成
2.3.2商務(wù)智能的架構(gòu)體系
2.4本章小結(jié)
習(xí)題
第3章數(shù)據(jù)挖掘概述
3.1數(shù)據(jù)挖掘的起源與發(fā)展
3.1.1數(shù)據(jù)挖掘的起源
3.1.2數(shù)據(jù)挖掘的發(fā)展
3.2數(shù)據(jù)挖掘所要解決的問(wèn)題
3.3數(shù)據(jù)挖掘的定義
3.4數(shù)據(jù)挖掘的過(guò)程
3.5數(shù)據(jù)挖掘系統(tǒng)
3.5.1數(shù)據(jù)挖掘系統(tǒng)的分類
3.5.2數(shù)據(jù)挖掘系統(tǒng)的發(fā)展
3.6數(shù)據(jù)挖掘的功能和方法
3.6.1數(shù)據(jù)挖掘的功能
3.6.2數(shù)據(jù)挖掘的方法
3.7數(shù)據(jù)挖掘的典型應(yīng)用領(lǐng)域
3.8數(shù)據(jù)挖掘的發(fā)展趨勢(shì)
3.9本章小結(jié)
習(xí)題
第4章分類分析
4.1預(yù)備知識(shí)
4.2解決分類問(wèn)題的一般方法
4.3分類算法
4.3.1貝葉斯分類器
4.3.2決策樹(shù)
4.3.3支持向量機(jī)
4.3.4BP神經(jīng)網(wǎng)絡(luò)
4.3.5其他分類算法
4.4評(píng)估分類器的性能
4.4.1保持方法
4.4.2隨機(jī)二次抽樣
4.4.3交叉驗(yàn)證
4.4.4自助法
4.5本章小結(jié)
習(xí)題
第5章關(guān)聯(lián)分析
5.1引言
5.2基本概念
5.3關(guān)聯(lián)規(guī)則的種類
5.4關(guān)聯(lián)規(guī)則的研究現(xiàn)狀
5.5關(guān)聯(lián)規(guī)則挖掘算法
5.5.1Apriori算法
5.5.2FP增長(zhǎng)算法
5.5.3其他關(guān)聯(lián)規(guī)則挖掘算法
5.6改善關(guān)聯(lián)規(guī)則挖掘質(zhì)量問(wèn)題
5.6.1用戶主觀層面
5.6.2系統(tǒng)客觀層面
5.7約束數(shù)據(jù)挖掘問(wèn)題
5.8本章小結(jié)
習(xí)題
第6章聚類分析
6.1聚類的概念
6.1.1聚類概念及應(yīng)用
6.1.2聚類算法要求
6.1.3聚類技術(shù)類型劃分
6.2聚類分析的統(tǒng)計(jì)量
6.2.1模型定義
6.2.2相似性度量
6.3常用聚類算法
6.3.1k均值算法
6.3.2kmedoids算法
6.3.3凝聚層次聚類算法
6.3.4DBSCAN算法
6.3.5STING算法
6.3.6CLIQUE算法
6.4簇評(píng)估
6.4.1概述
6.4.2非監(jiān)督簇評(píng)估： 使用凝聚度和分離度
6.4.3非監(jiān)督簇評(píng)估： 使用鄰近度矩陣
6.4.4層次聚類的非監(jiān)督評(píng)估
6.4.5確定正確的簇個(gè)數(shù)
6.4.6聚類趨勢(shì)
6.4.7簇有效性的監(jiān)督度量
6.5與分類比較
6.6本章小結(jié)
習(xí)題
第7章異常檢測(cè)
7.1預(yù)備知識(shí)
7.1.1異常的原因
7.1.2異常檢測(cè)方法
7.1.3類標(biāo)號(hào)的使用
7.1.4問(wèn)題
7.2統(tǒng)計(jì)方法
7.2.1檢測(cè)一元正態(tài)分布中的離群點(diǎn)
7.2.2多元正態(tài)分布的離群點(diǎn)
7.2.3異常檢測(cè)的混合模型方法
7.2.4優(yōu)點(diǎn)與缺點(diǎn)
7.3基于近鄰度的離群點(diǎn)檢測(cè)
7.4基于密度的離群點(diǎn)檢測(cè)
7.4.1使用相對(duì)密度的離群點(diǎn)檢測(cè)
7.4.2優(yōu)點(diǎn)與缺點(diǎn)
7.5基于聚類的技術(shù)
7.5.1評(píng)估對(duì)象屬于簇的程度
7.5.2離群點(diǎn)對(duì)初始聚類的影響
7.5.3使用簇的個(gè)數(shù)
7.5.4優(yōu)點(diǎn)與缺點(diǎn)
7.6本章小結(jié)
習(xí)題
第8章Web挖掘技術(shù)
8.1Web數(shù)據(jù)挖掘概述
8.1.1Web數(shù)據(jù)挖掘的概念
8.1.2Web數(shù)據(jù)挖掘的特點(diǎn)
8.1.3Web數(shù)據(jù)挖掘的處理流程
8.1.4Web數(shù)據(jù)挖掘與信息檢索、信息抽取的區(qū)別
8.2Web數(shù)據(jù)挖掘分類
8.2.1Web內(nèi)容挖掘概述
8.2.2Web結(jié)構(gòu)挖掘概述
8.2.3Web使用挖掘概述
8.3Web內(nèi)容挖掘
8.3.1特征提取和特征表示
8.3.2自動(dòng)摘要
8.3.3文本分類
8.3.4文本聚類
8.4Web結(jié)構(gòu)挖掘
8.4.1超鏈和頁(yè)面內(nèi)容的關(guān)系
8.4.2不同挖掘階段的分析
8.4.3PageRank
8.4.4HITS
8.4.5兩種算法的比較
8.4.6Web結(jié)構(gòu)挖掘應(yīng)用
8.5Web使用挖掘
8.5.1Web使用挖掘數(shù)據(jù)預(yù)處理
8.5.2Web使用挖掘模式發(fā)現(xiàn)
8.5.3Web使用挖掘模式分析
8.5.4Web使用挖掘模式應(yīng)用
8.6本章小結(jié)
習(xí)題
第9章RFID數(shù)據(jù)挖掘
9.1RFID數(shù)據(jù)挖掘的發(fā)展
9.2RFID數(shù)據(jù)挖掘的作用
9.3RFID數(shù)據(jù)分析的典型應(yīng)用
9.3.1零售倉(cāng)儲(chǔ)
9.3.2通關(guān)檢查
9.3.3運(yùn)輸管理
9.3.4醫(yī)療管理
9.3.5其他應(yīng)用
9.4本章小結(jié)
習(xí)題
第10章數(shù)據(jù)挖掘在電子商務(wù)中的應(yīng)用
10.1電子商務(wù)中數(shù)據(jù)挖掘的發(fā)展?fàn)顩r
10.2電子商務(wù)中數(shù)據(jù)挖掘的特點(diǎn)
10.2.1電子商務(wù)中數(shù)據(jù)挖掘的數(shù)據(jù)源
10.2.2路徑分析
10.2.3電子商務(wù)中數(shù)據(jù)挖掘的體系結(jié)構(gòu)
10.3網(wǎng)站客戶分群
10.4優(yōu)化網(wǎng)站結(jié)構(gòu)
10.4.1網(wǎng)站結(jié)構(gòu)優(yōu)化手段
10.4.2網(wǎng)站結(jié)構(gòu)優(yōu)化模型
10.5智能搜索引擎
10.5.1傳統(tǒng)搜索引擎的特點(diǎn)
10.5.2智能搜索引擎的特點(diǎn)
10.5.3網(wǎng)絡(luò)爬蟲(chóng)
10.5.4智能搜索引擎的技術(shù)與發(fā)展
10.6客戶關(guān)系管理
10.7網(wǎng)絡(luò)主動(dòng)防御
10.8本章小結(jié)
習(xí)題
參考文獻(xiàn)