數(shù)據(jù)倉庫與數(shù)據(jù)挖掘教程

第1章數(shù)據(jù)倉庫與數(shù)據(jù)挖掘概述1
1.1數(shù)據(jù)倉庫的興起1
1.1.1從數(shù)據(jù)庫到數(shù)據(jù)倉庫1
1.1.2從OLTP到OLAP3
1.1.3數(shù)據(jù)字典與元數(shù)據(jù)4
1.1.4數(shù)據(jù)倉庫的定義與特點6
1.2數(shù)據(jù)挖掘的興起7
1.2.1從機器學習到數(shù)據(jù)挖掘7
1.2.2數(shù)據(jù)挖掘的含義8
1.2.3數(shù)據(jù)挖掘與OLAP的比較8
1.2.4數(shù)據(jù)挖掘與統(tǒng)計學9
1.3數(shù)據(jù)倉庫和數(shù)據(jù)挖掘的結(jié)合11
1.3.1數(shù)據(jù)倉庫和數(shù)據(jù)挖掘的區(qū)別與聯(lián)系11
1.3.2基于數(shù)據(jù)倉庫的決策支持系統(tǒng)13
1.3.3數(shù)據(jù)倉庫與商業(yè)智能14
習題16
第2章數(shù)據(jù)倉庫原理17
2.1數(shù)據(jù)倉庫結(jié)構(gòu)體系17
2.1.1數(shù)據(jù)倉庫結(jié)構(gòu)17
2.1.2數(shù)據(jù)集市及其結(jié)構(gòu)18
2.1.3數(shù)據(jù)倉庫系統(tǒng)結(jié)構(gòu)21
2.1.4數(shù)據(jù)倉庫的運行結(jié)構(gòu)22
2.2數(shù)據(jù)倉庫的數(shù)據(jù)模型23
2.2.1星型模型24
2.2.2雪花模型25
2.2.3星網(wǎng)模型25
2.2.4第三范式26
2.3數(shù)據(jù)抽取、轉(zhuǎn)換和裝載27
2.3.1數(shù)據(jù)抽取27
2.3.2數(shù)據(jù)轉(zhuǎn)換28
2.3.3數(shù)據(jù)裝載30
2.3.4ETL工具31
2.4元數(shù)據(jù)32
2.4.1元數(shù)據(jù)的重要性32
2.4.2關(guān)于數(shù)據(jù)源的元數(shù)據(jù)33
2.4.3關(guān)于數(shù)據(jù)模型的元數(shù)據(jù)33
2.4.4關(guān)于數(shù)據(jù)倉庫映射的元數(shù)據(jù)35
2.4.5關(guān)于數(shù)據(jù)倉庫使用的元數(shù)據(jù)36
習題36
第3章聯(lián)機分析處理38
3.1OLAP概念38
3.1.1OLAP的定義38
3.1.2OLAP準則39
3.1.3OLAP的基本概念42
3.2OLAP的數(shù)據(jù)模型43
3.2.1MOLAP數(shù)據(jù)模型43
3.2.2ROLAP數(shù)據(jù)模型45
3.2.3MOLAP與ROLAP的比較45
3.2.4HOLAP數(shù)據(jù)模型48
3.3多維數(shù)據(jù)的顯示48
3.3.1多維數(shù)據(jù)的顯示方法48
3.3.2多維類型結(jié)構(gòu)49
3.3.3多維數(shù)據(jù)的分析視圖50
3.4OLAP的多維數(shù)據(jù)分析52
3.4.1多維數(shù)據(jù)分析的基本操作52
3.4.2廣義OLAP功能54
3.4.3多維數(shù)據(jù)分析實例56
3.5OLAP結(jié)構(gòu)與分析工具58
  3.5.1OLAP結(jié)構(gòu)58
  3.5.2OLAP的Web結(jié)構(gòu)59
  3.5.3OLAP工具及評價61
習題63
第4章數(shù)據(jù)倉庫設(shè)計與開發(fā)65
4.1數(shù)據(jù)倉庫分析與設(shè)計65
4.1.1需求分析65
4.1.2概念模型設(shè)計67
4.1.3邏輯模型設(shè)計68
4.1.4物理模型設(shè)計73
4.1.5數(shù)據(jù)倉庫的索引技術(shù)75
4.2數(shù)據(jù)倉庫開發(fā)79
4.2.1數(shù)據(jù)倉庫開發(fā)過程79
4.2.2數(shù)據(jù)質(zhì)量與數(shù)據(jù)清洗85
4.2.3數(shù)據(jù)粒度與維度建模86
4.3數(shù)據(jù)倉庫技術(shù)與開發(fā)的困難88
4.3.1數(shù)據(jù)倉庫技術(shù)88
4.3.2數(shù)據(jù)倉庫開發(fā)的困難92
習題93
第5章數(shù)據(jù)倉庫管理和應(yīng)用95
5.1數(shù)據(jù)倉庫管理95
5.1.1用戶使用數(shù)據(jù)倉庫的管理95
5.1.2數(shù)據(jù)管理98
5.2數(shù)據(jù)倉庫的決策支持與決策支持系統(tǒng)103
5.2.1查詢與報表104
5.2.2多維分析與原因分析105
5.2.3預測未來106
5.2.4實時決策106
5.2.5自動決策107
5.2.6決策支持系統(tǒng)108
5.3數(shù)據(jù)倉庫應(yīng)用實例109
5.3.1航空公司數(shù)據(jù)倉庫決策支持系統(tǒng)簡例109
5.3.2統(tǒng)計業(yè)數(shù)據(jù)倉庫系統(tǒng)114
5.3.3沃爾瑪數(shù)據(jù)倉庫系統(tǒng)116
習題118
第6章數(shù)據(jù)挖掘原理120
6.1知識發(fā)現(xiàn)過程120
6.1.1知識發(fā)現(xiàn)過程定義120
6.1.2數(shù)據(jù)挖掘?qū)ο?21
6.1.3數(shù)據(jù)挖掘任務(wù)123
6.1.4數(shù)據(jù)挖掘分類125
6.1.5不完全數(shù)據(jù)處理127
6.1.6數(shù)據(jù)庫的數(shù)據(jù)濃縮128
6.2數(shù)據(jù)挖掘方法和技術(shù)131
6.2.1歸納學習的信息論方法131
6.2.2歸納學習的集合論方法131
6.2.3仿生物技術(shù)的神經(jīng)網(wǎng)絡(luò)方法132
6.2.4仿生物技術(shù)的遺傳算法133
6.2.5數(shù)值數(shù)據(jù)的公式發(fā)現(xiàn)133
6.2.6可視化技術(shù)134
6.3數(shù)據(jù)挖掘的知識表示134
6.3.1規(guī)則知識134
6.3.2決策樹知識135
6.3.3知識基135
6.3.4神經(jīng)網(wǎng)絡(luò)的權(quán)值136
6.3.5公式知識136
6.3.6案例137
習題137
第7章信息論方法139
7.1信息論原理139
7.1.1信道模型和學習信道模型139
7.1.2信息熵和條件熵140
7.1.3互信息與信息增益141
7.1.4信道容量與譯碼準則142
7.2決策樹方法143
7.2.1決策樹概念143
7.2.2ID3方法基本思想144
7.2.3ID3算法145
7.2.4實例與討論146
7.2.5C4.5方法148
7.3決策規(guī)則樹方法151
7.3.1IBLE方法的基本思想151
7.3.2IBLE算法153
7.3.3IBLE方法實例155
習題161
第8章集合論方法163
8.1粗糙集方法163
8.1.1粗糙集概念163
8.1.2屬性約簡的粗糙集理論166
8.1.3屬性約簡的粗糙集方法172
8.1.4粗糙集方法的規(guī)則獲取173
8.1.5粗糙集方法的應(yīng)用實例174
8.2關(guān)聯(lián)規(guī)則挖掘176
8.2.1關(guān)聯(lián)規(guī)則的挖掘原理177
8.2.2Apriori算法的基本思想180
8.2.3Apriori算法程序183
8.2.4基于FP樹的關(guān)聯(lián)規(guī)則挖掘算法184
習題188
第9章公式發(fā)現(xiàn)189
9.1公式發(fā)現(xiàn)概述189
9.1.1曲線擬合與公式發(fā)現(xiàn)189
9.1.2啟發(fā)式與數(shù)據(jù)驅(qū)動啟發(fā)式191
9.2科學定律重新發(fā)現(xiàn)系統(tǒng)193
9.2.1BACON系統(tǒng)基本原理193
9.2.2BACON系統(tǒng)實例194
9.2.3BACON系統(tǒng)的進展196
9.3經(jīng)驗公式發(fā)現(xiàn)系統(tǒng)197
9.3.1FDD系統(tǒng)基本原理197
9.3.2FDD.1系統(tǒng)結(jié)構(gòu)199
9.3.3FDD.1系統(tǒng)實例202
9.3.4FDD.2系統(tǒng)204
9.3.5FDD.3系統(tǒng)207
習題211
第10章神經(jīng)網(wǎng)絡(luò)與遺傳算法213
10.1神經(jīng)網(wǎng)絡(luò)概念及幾何意義213
      10.1.1神經(jīng)網(wǎng)絡(luò)原理213
      10.1.2神經(jīng)網(wǎng)絡(luò)的幾何意義214
      10.1.3超曲面神經(jīng)網(wǎng)絡(luò)概念216
10.2感知機218
10.2.1感知機模型218
10.2.2感知機實例219
10.2.3感知機討論220
10.3反向傳播模型221
10.3.1BP網(wǎng)絡(luò)結(jié)構(gòu)221
10.3.2BP網(wǎng)絡(luò)學習公式推導221
10.3.3實例分析226
10.4遺傳算法228
10.4.1遺傳算法基本原理229
10.4.2遺傳算子231
10.4.3遺傳算法簡例 234
10.4.4遺傳算法的特點236
10.5基于遺傳算法的分類學習系統(tǒng)237
10.5.1概述237
10.5.2遺傳分類學習系統(tǒng)GCLS的基本原理238
10.5.3遺傳分類學習系統(tǒng)GCLS的應(yīng)用242
習題243
第11章文本挖掘與Web挖掘245
11.1文本挖掘概述245
11.1.1文本挖掘的基本概念245
11.1.2文本特征的表示246
11.1.3文本特征的提取247
11.2文本挖掘248
11.2.1文本挖掘功能層次248
11.2.2關(guān)聯(lián)分析248
11.2.3文本聚類249
11.2.4文本分類250
11.3Web挖掘251
11.3.1Web挖掘概述251
11.3.2Web內(nèi)容挖掘253
11.3.3Web結(jié)構(gòu)挖掘255
11.3.4Web應(yīng)用挖掘258
習題261
第12章數(shù)據(jù)倉庫與數(shù)據(jù)挖掘的發(fā)展262
12.1綜合決策支持系統(tǒng)262
  12.1.1從管理科學到?jīng)Q策支持系統(tǒng)262
  12.1.2基于數(shù)據(jù)倉庫的決策支持系統(tǒng)與傳統(tǒng)決策支持系統(tǒng)的結(jié)265
  12.1.3綜合決策支持系統(tǒng)發(fā)展趨勢268
12.2可拓數(shù)據(jù)挖掘270
  12.2.1可拓學基本原理270
  12.2.2從數(shù)據(jù)挖掘到可拓數(shù)據(jù)挖掘272
  12.2.3可拓數(shù)據(jù)挖掘理論272
12.2.4可拓數(shù)據(jù)挖掘?qū)嵗?74
習題277
參考文獻278