數(shù)據(jù)倉庫與數(shù)據(jù)挖掘

前言
教學(xué)建議
第1章　緒論
1.1　引言
1.2　數(shù)據(jù)倉庫
1.2.1　從數(shù)據(jù)庫到數(shù)據(jù)倉庫
1.2.2　數(shù)據(jù)倉庫的基本概念
1.2.3　數(shù)據(jù)倉庫的體系結(jié)構(gòu)
1.3　數(shù)據(jù)挖掘
1.3.1　KDD與數(shù)據(jù)挖掘
1.3.2　數(shù)據(jù)庫與數(shù)據(jù)挖掘發(fā)展歷程
1.3.3　數(shù)據(jù)挖掘的特征與對象
1.3.4　數(shù)據(jù)挖掘相關(guān)領(lǐng)域
1.4　數(shù)據(jù)倉庫與數(shù)據(jù)挖掘的關(guān)系
1.5　應(yīng)用前景與發(fā)展趨勢
本章小結(jié)
習(xí)題
第2章　聯(lián)機(jī)分析處理
2.1　引言
2.2　OLAP的定義
2.3　OLAP的相關(guān)概念
2.4　OLAP與OLTP的關(guān)系和比較
2.5　OLAP準(zhǔn)則
2.6　多維數(shù)據(jù)分析方法
2.7　關(guān)系數(shù)據(jù)的組織
2.8　多維數(shù)據(jù)的存儲(chǔ)方式
2.9　OLAP體系結(jié)構(gòu)
2.10　OLAP的展現(xiàn)方式
2.11　OLAP工具的評價(jià)指標(biāo)
2.12　OLAP的局限性
本章小結(jié)
習(xí)題
第3章　數(shù)據(jù)倉庫的設(shè)計(jì)與開發(fā)
3.1　引言
3.2　數(shù)據(jù)倉庫的數(shù)據(jù)模型概述
3.3　數(shù)據(jù)倉庫的分析與設(shè)計(jì)
3.3.1　需求分析
3.3.2　概念模型設(shè)計(jì)
3.3.3　邏輯模型設(shè)計(jì)
3.3.4　物理模型設(shè)計(jì)
3.3.5　數(shù)據(jù)倉庫的索引技術(shù)
3.4　數(shù)據(jù)倉庫的開發(fā)
3.4.1　風(fēng)險(xiǎn)因素
3.4.2　數(shù)據(jù)倉庫系統(tǒng)的生命周期
3.4.3　建立數(shù)據(jù)倉庫系統(tǒng)的思維模式
3.4.4　數(shù)據(jù)倉庫數(shù)據(jù)庫的設(shè)計(jì)步驟
3.4.5　數(shù)據(jù)質(zhì)量與數(shù)據(jù)清洗
3.4.6　數(shù)據(jù)粒度與維度建模
3.4.7　選擇數(shù)據(jù)倉庫工具
3.4.8　提高數(shù)據(jù)倉庫性能
3.4.9　數(shù)據(jù)倉庫的安全性
3.5　主要的數(shù)據(jù)倉庫產(chǎn)品
本章小結(jié)
習(xí)題
第4章　關(guān)聯(lián)規(guī)則
4.1　引言
4.2　關(guān)聯(lián)規(guī)則模型
4.3　Apriori算法
4.3.1　發(fā)現(xiàn)頻繁項(xiàng)集
4.3.2　生成關(guān)聯(lián)規(guī)則
4.4　頻繁模式增長算法
4.4.1　建樹方法
4.4.2　用FP樹挖掘頻繁模式
4.5　關(guān)聯(lián)規(guī)則模型擴(kuò)展
4.5.1　多級關(guān)聯(lián)規(guī)則
4.5.2　多維關(guān)聯(lián)規(guī)則
本章小結(jié)
習(xí)題
第5章　粗糙集
5.1　引言
5.2　近似空間
5.2.1　近似空間與不可分辨關(guān)系
5.2.2　知識與知識庫
5.3　近似與粗糙集
5.3.1　基本概念
5.3.2　基本性質(zhì)
5.4　描述粗糙集的特征的方法
5.4.1　近似精度
5.4.2　拓?fù)涮卣?br />5.5　信息系統(tǒng)
5.5.1　信息系統(tǒng)的定義
5.5.2　約簡和核
5.5.3　分辨矩陣與分辨函數(shù)
5.5.4　信息系統(tǒng)約簡
5.6　決策表
5.6.1　相對約簡與知識依賴性
5.6.2　決策表及其約簡
5.6.3　近似約簡算法
5.6.4　決策規(guī)則
本章小結(jié)
習(xí)題
第6章　決策樹
6.1　引言
6.2　構(gòu)建決策樹的理論問題
6.2.1　為當(dāng)前結(jié)點(diǎn)選擇屬性
6.2.2　過擬合問題
6.3　ID3算法
6.3.1　生成決策樹的算法
6.3.2　生成規(guī)則和決策
6.4　決策樹的剪枝
6.4.1　預(yù)剪枝
6.4.2　后剪枝
6.5　C4.5算法
本章小結(jié)
習(xí)題
第7章　聚類分析
7.1　引言
7.2　聚類分析簡介
7.2.1　聚類分析
7.2.2　聚類分析應(yīng)用領(lǐng)域與算法特征
7.3　數(shù)據(jù)類型、距離和相似系數(shù)
7.3.1　數(shù)據(jù)類型
7.3.2　距離和相似系數(shù)
7.4　聚類方法與聚類分類
7.4.1　聚類方法
7.4.2　聚類方法的分類
7.5　劃分方法
7.5.1　k-均值算法
7.5.2　k-中心點(diǎn)算法
7.5.3　關(guān)于參數(shù)K
7.5.4　EM聚類
7.6　層次方法
7.6.1　層次聚類中的距離度量
7.6.2　分裂方法
7.6.3　凝聚方法
7.7　基于密度的方法
7.7.1　DBSCAN算法
7.7.2　矢量感應(yīng)聚類算法
7.8　聚類評估
7.8.1　假設(shè)檢驗(yàn)
7.8.2　聚類評估中的假設(shè)檢驗(yàn)
7.8.3　相對準(zhǔn)則
本章小結(jié)
習(xí)題
第8章　興趣度量
8.1　引言
8.2　用于關(guān)聯(lián)規(guī)則和分類規(guī)則的度量
8.2.1　客觀度量
8.2.2　主觀度量
8.2.3　語義度量
8.3　用于總結(jié)的度量
8.4　分類器的興趣度
本章小結(jié)
習(xí)題
第9章　應(yīng)用案例
9.1　數(shù)據(jù)倉庫應(yīng)用案例
9.1.1　案例一：網(wǎng)絡(luò)購物數(shù)據(jù)倉庫
9.1.2　案例二：社會(huì)保障卡數(shù)據(jù)倉庫
9.1.3　案例三：醫(yī)院信息系統(tǒng)數(shù)據(jù)倉庫
9.2　數(shù)據(jù)挖掘應(yīng)用案例
9.2.1　案例一：零售商系統(tǒng)貨籃數(shù)據(jù)挖掘
9.2.2　案例二：通信用戶滿意度指數(shù)評測
9.2.3　案例三：城市環(huán)境質(zhì)量評價(jià)
本章小結(jié)
參考文獻(xiàn)