數(shù)據(jù)倉庫與數(shù)據(jù)挖掘

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)倉庫概念　1
1.1.1　數(shù)據(jù)倉庫的興起　1
1.1.2　數(shù)據(jù)倉庫的特點　2
1.1.3　數(shù)據(jù)集市　3
1.2　知識發(fā)現(xiàn)和數(shù)據(jù)挖掘概念　4
1.2.1　知識發(fā)現(xiàn)和數(shù)據(jù)挖掘的定義　4
1.2.2　數(shù)據(jù)挖掘任務　5
1.2.3　數(shù)據(jù)挖掘分類　7
1.2.4　數(shù)據(jù)挖掘對象　8
1.2.5　數(shù)據(jù)挖掘的知識表示　10
1.3　數(shù)據(jù)挖掘方法和技術　13
1.3.1　歸納學習方法　13
1.3.2　仿生物技術　14
1.3.3　公式發(fā)現(xiàn)　15
1.3.4　統(tǒng)計分析方法　15
1.3.5　模糊數(shù)學方法　16
1.3.6　可視化技術　16
1.4　數(shù)據(jù)倉庫和數(shù)據(jù)挖掘的發(fā)展　16
1.4.1　數(shù)據(jù)倉庫和數(shù)據(jù)挖掘的結合　16
1.4.2　新決策支持系統(tǒng)和綜合決策支持系統(tǒng)　18
1.4.3　商業(yè)智能和知識管理　19
習題1　20
第2章　數(shù)據(jù)倉庫系統(tǒng)　22
2.1　數(shù)據(jù)倉庫組織結構　22
2.1.1　數(shù)據(jù)倉庫結構　22
2.1.2　數(shù)據(jù)倉庫系統(tǒng)結構　23
2.1.3　數(shù)據(jù)倉庫的運行結構　24
2.1.4　數(shù)據(jù)集市結構　25
2.2　數(shù)據(jù)倉庫存儲的數(shù)據(jù)模型　26
2.2.1　星型模型　27
2.2.2　雪花模型　28
2.2.3　星網模型　28
2.3　元數(shù)據(jù)　28
2.3.1　元數(shù)據(jù)概念　28
2.3.2　關于數(shù)據(jù)源的元數(shù)據(jù)　29
2.3.3　關于數(shù)據(jù)模型的元數(shù)據(jù)　30
2.3.4　關于數(shù)據(jù)倉庫映射的元數(shù)據(jù)　30
2.3.5　關于數(shù)據(jù)倉庫使用的元數(shù)據(jù)　32
習題2　32
第3章　數(shù)據(jù)倉庫的數(shù)據(jù)獲取與管理　33
3.1　數(shù)據(jù)倉庫的數(shù)據(jù)獲取　33
3.1.1　數(shù)據(jù)質量　33
3.1.2　數(shù)據(jù)變換　34
3.1.3　數(shù)據(jù)清理　35
3.1.4　數(shù)據(jù)集成　35
3.1.5　聚集和概括　36
3.1.6　裝載數(shù)據(jù)　37
3.2　數(shù)據(jù)管理　37
3.2.1　數(shù)據(jù)管理概述　37
3.2.2　臟數(shù)據(jù)的產生和清理　39
3.2.3　休眠數(shù)據(jù)　39
3.2.4　元數(shù)據(jù)管理　40
3.3　系統(tǒng)管理　41
3.3.1　服務水平　42
3.3.2　性能監(jiān)控　43
3.3.3　存儲器管理　46
3.3.4　網絡管理　47
3.3.5　安全管理　47
習題3　48
第4章　數(shù)據(jù)倉庫的設計、開發(fā)與應用　50
4.1　數(shù)據(jù)倉庫設計　50
4.1.1　“數(shù)據(jù)驅動”的系統(tǒng)設計方法　50
4.1.2　概念模型設計　51
4.1.3　邏輯模型設計　52
4.1.4　物理模型設計　54
4.2　多維表設計　55
4.2.1　主題與多維表　55
4.2.2　多維表設計步驟　55
4.2.3　多維表設計示例　56
4.3　數(shù)據(jù)倉庫的查詢與索引技術　58
4.3.1　數(shù)據(jù)倉庫查詢　58
4.3.2　位索引技術　59
4.3.3　標識技術　61
4.3.4　廣義索引　63
4.4　數(shù)據(jù)倉庫開發(fā)　64
4.4.1　數(shù)據(jù)倉庫規(guī)劃　64
4.4.2　定義體系結構　64
4.4.3　數(shù)據(jù)倉庫設計　65
4.4.4　源系統(tǒng)分析與數(shù)據(jù)變換設計　66
4.4.5　建立數(shù)據(jù)倉庫　67
4.4.6　用戶訪問方法的設計和開發(fā)　67
4.5　數(shù)據(jù)倉庫發(fā)展階段與應用實例　68
4.5.1　數(shù)據(jù)倉庫的5個發(fā)展階段　68
4.5.2　數(shù)據(jù)倉庫的應用實例　71
習題4　77
第5章　聯(lián)機分析處理　78
5.1　OLAP概念　78
5.1.1　OLAP的定義　78
5.1.2　OLAP準則　79
5.1.3　OLAP的基本概念　82
5.1.4　OLAP與OLTP的關系與比較　83
5.2　OLAP的數(shù)據(jù)組織　84
5.2.1　關系數(shù)據(jù)組織ROLAP　85
5.2.2　多維數(shù)據(jù)組織MOLAP　85
5.2.3　兩種數(shù)據(jù)組織的比較　85
5.3　OLAP的多維數(shù)據(jù)分析　86
5.3.1　基本功能　86
5.3.2　廣義OLAP功能　88
5.3.3　OLAP實例　89
5.4　OLAP的體系結構　90
5.4.1　OLAP的多層結構　90
5.4.2　OLAP的Web結構　91
5.5　OLAP工具及評價　94
5.5.1　Oracle OLAP工具　94
5.5.2　OLAP工具評價指標　98
習題5　100
第6章　文本數(shù)據(jù)挖掘與Web挖掘　101
6.1　文本數(shù)據(jù)挖掘概述　101
6.1.1　文本挖掘出現(xiàn)　101
6.1.2　文本挖掘的基本概念　101
6.1.3　文本挖掘與信息檢索　102
6.2　文本特征表示與提取　103
6.2.1　文本特征的表示　103
6.2.2　文本的特征提取　104
6.3　文本挖掘　105
6.3.1　文本分類　105
6.3.2　關聯(lián)分析　106
6.3.3　文檔聚類　106
6.4　Web挖掘　107
6.4.1　Web信息的特點　107
6.4.2　Web挖掘分類　108
6.4.3　Web結構的挖掘　109
6.4.4　Web使用記錄的挖掘　110
習題6　112
第7章　決策樹方法　113
7.1　決策樹方法綜述　113
7.1.1　決策樹概念　113
7.1.2　信息論原理　113
7.2　ID3方法　117
7.2.1　ID3基本思想　117
7.2.2　ID3算法　118
7.2.3　實例計算　119
7.2.4　對ID3的討論　120
7.3　C4.5方法　121
7.3.1　構造決策樹　121
7.3.2　連續(xù)屬性的處理　122
7.3.3　決策樹剪枝　123
7.3.4　從決策樹抽取規(guī)則　123
7.4　IBLE方法　125
7.4.1　IBLE算法　125
7.4.2　簡例和實例　129
習題7　135
第8章　粗糙集方法與關聯(lián)規(guī)則挖掘　137
8.1　粗糙集理論　137
8.1.1　粗糙集概念　137
8.1.2　最小屬性集　138
8.2　粗糙集的規(guī)則獲取與應用　139
8.2.1　獲取規(guī)則　139
8.2.2　應用實例　140
8.3　關聯(lián)規(guī)則挖掘算法　143
8.3.1　關聯(lián)規(guī)則的挖掘原理　143
8.3.2　關聯(lián)規(guī)則的種類　145
8.3.3　關聯(lián)規(guī)則價值的衡量方法　146
8.4　關聯(lián)規(guī)則挖掘算法　147
8.4.1　Apriori算法　147
8.4.2　示例　149
8.5　基于FP-tree的關聯(lián)規(guī)則挖掘算法　150
8.5.1　算法描述　150
8.5.2　示例說明　151
習題8　151
第9章　公式發(fā)現(xiàn)　153
9.1　機器發(fā)現(xiàn)概述　153
9.2　BACON系統(tǒng)　154
9.2.1　BACON系統(tǒng)簡介　154
9.2.2　BACON系統(tǒng)的應用　155
9.3　FDD公式發(fā)現(xiàn)算法　156
9.3.1　FDD.1　156
9.3.2　FDD.2　163
9.3.3　FDD.3　167
習題9　172
第10章　神經網絡與遺傳算法　173
10.1　神經網絡的概念及幾何意義　173
10.1.1　神經網絡概念　173
10.1.2　神經網絡的幾何意義　174
10.2　反向傳播模型(BP)　176
10.2.1　BP網絡結構　176
10.2.2　BP網絡學習公式推導　177
10.2.3　實例分析　180
10.3　 超曲面神經網絡　183
10.3.1　超曲面神經網絡概念　183
10.3.2　超圓神經元模型CC　183
10.4　遺傳算法原理　190
10.4.1　遺傳算法處理流程　191
10.4.2　遺傳算子　192
10.4.3　遺傳算法的特點　196
10.5　基于遺傳的分類學習系統(tǒng)　197
10.5.1　概述　197
10.5.2　遺傳分類學習系統(tǒng)GCLS的基本原理　197
10.5.3　遺傳分類器學習系統(tǒng)GCLS的應用　201
習題10　202
第11章　基于案例推理　204
11.1　基于案例推理(CBR)的概念與原理　204
11.1.1　CBR概念　204
11.1.2　CBR的一般過程　204
11.2　案例表示和案例庫　206
11.2.1　案例表示　206
11.2.2　案例庫　208
11.3　案例檢索與相似匹配　209
11.3.1　案例檢索　209
11.3.2　案例相似匹配　210
11.4　專家系統(tǒng)原理與CBR的比較　211
11.4.1　專家系統(tǒng)(ES)原理　211
11.4.2　ES與CBR的比較　213
11.4.3　ES與CBR的結合　213
11.5　醫(yī)療事故輔助鑒定與管理系統(tǒng)實例　214
11.5.1　系統(tǒng)綜述　214
11.5.2　醫(yī)療事故鑒定專家系統(tǒng)　215
11.5.3　基于案例推理(CBR)的醫(yī)療事故鑒定　216
習題11　217
第12章　決策支持系統(tǒng)與商業(yè)智能　218
12.1　傳統(tǒng)決策支持系統(tǒng)　218
12.1.1　傳統(tǒng)決策支持系統(tǒng)概念　218
12.1.2　傳統(tǒng)決策支持系統(tǒng)的進展　219
12.1.3　傳統(tǒng)決策支持系統(tǒng)的關鍵技術和開發(fā)的困難　220
12.2　基于數(shù)據(jù)倉庫、聯(lián)機分析處理和數(shù)據(jù)挖掘的新決策支持系統(tǒng)　221
12.2.1　新決策支持系統(tǒng)　221
12.2.2　新決策支持系統(tǒng)實例　222
12.3　綜合決策支持系統(tǒng)　224
12.3.1　傳統(tǒng)決策支持系統(tǒng)與新決策支持系統(tǒng)的比較　224
12.3.2　綜合決策支持系統(tǒng)結構和原理　225
12.4　商業(yè)智能和知識管理　227
12.4.1　商業(yè)智能　227
12.4.2　知識管理　235
12.4.3　商業(yè)智能是知識管理的基礎　244
12.5　小結　247
習題12　248
參考文獻　249