SQL Server2005 数据挖掘实例分析2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

SQL Server2005 数据挖掘实例分析PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 数据挖掘基本知识1

1.1 数据挖掘的概念1

1.2 数据挖掘的存储对象4

1.2.1 关系数据库4

1.2.2 数据仓库7

1.2.3 事务数据库9

1.2.4 高级数据库系统和高级数据库应用10

1.3 基本数据挖掘任务14

1.3.1 特征和区分14

1.3.2 关联分析14

1.3.3 分类和预测15

1.3.4 聚类分析15

1.3.5 局外者分析15

1.4 数据挖掘系统的分类15

1.5 数据挖掘的主要问题16

第2章 数据仓库及OLAP技术20

2.1 数据仓库的概念20

2.1.1 数据仓库的定义20

2.1.2 数据仓库的建立21

2.1.3 操作数据库系统与数据仓库的区别22

2.1.4 分离的数据仓库23

2.2 多维数据模型24

2.2.1 由表和电子数据表到数据方24

2.2.2 多维数据库模式26

2.2.3 定义星型、雪花和星座的实例29

2.2.4 度量的计算30

2.2.5 概念分层32

2.2.6 多维数据模型上的OLAP操作34

2.2.7 多维数据库的星型查询模型36

2.3 数据仓库的系统结构37

2.3.1 数据仓库的设计步骤和结构37

2.3.2 三层数据仓库结构39

2.3.3 OLAP服务器类型（ROLAP、MOLAP、HOLAP）的比较41

2.4 数据仓库实现43

2.4.1 数据方的有效计算43

2.4.2 索引OLAP数据48

2.4.3 OLAP查询的有效处理50

2.4.4 元数据存储51

2.4.5 数据仓库后端工具和实用程序52

2.5 数据方技术的进一步发展52

2.5.1 数据方发现驱动的探查53

2.5.2 多粒度上的复杂聚集：多特征方55

2.5.3 其他进展57

2.6 由数据仓库到数据挖掘58

2.6.1 数据仓库的使用58

2.6.2 由联机分析处理到联机分析挖掘59

第3章 数据预处理62

3.1 数据预处理的重要性62

3.2 数据清洗64

3.2.1 遗漏数据处理64

3.2.2 噪声数据处理64

3.2.3 不一致数据处理66

3.3 数据集成与转换66

3.3.1 数据集成处理66

3.3.2 数据转换处理67

3.4 数据消减69

3.4.1 数据立方合计70

3.4.2 维数消减71

3.4.3 数据块消减72

3.5 离散化和概念层次树生成75

3.5.1 数值概念层次树生成76

3.5.2 类别概念层次树生成78

第4章 使用SQL Server 2005进行数据挖掘81

4.1 关于Business Intelligence Development Studio81

4.1.1 关于用户界面81

4.1.2 联机模式和离线模式83

4.1.3 如何创建数据挖掘对象87

4.2 对数据源进行设置87

4.2.1 数据源87

4.2.2 使用数据源视图90

4.3 创建和编辑模型101

4.3.1 挖掘结构与模型102

4.3.2 使用数据挖掘向导102

4.3.3 创建MovieClick的数据挖掘结构和模型106

4.3.4 使用数据挖掘设计器110

4.4 处理113

4.5 使用模型115

4.5.1 掌握模型查看器115

4.5.2 使用挖掘准确性图表118

4.5.3 在MovieClick上建立提升图121

4.5.4 使用【挖掘模型预测】窗口123

4.5.5 创建数据挖掘报告124

第5章 关联规则125

5.1 关联规则简介125

5.1.1 购物篮分析126

5.1.2 关联规则挖掘路线127

5.2 关联规则挖掘算法128

5.2.1 Apriori算法：使用候选项集找频繁项集128

5.2.2 由频繁项集产生关联规则130

5.2.3 提高Apriori的有效性131

5.3 Microsoft关联规则挖掘模型简介133

5.4 Microsoft关联规则挖掘模型的使用134

5.4.1 挖掘问题的提出134

5.4.2 数据准备135

5.4.3 挖掘模型简介137

5.4.4 挖掘操作流程138

5.4.5 挖掘结果分析147

第6章 分类和预测148

6.1 分类与预测的内涵148

6.2 有关分类和预测的若干问题150

6.3 基于决策树的分类151

6.3.1 决策树生成算法152

6.3.2 树剪枝155

6.3.3 由决策树提取分类规则157

6.4 Microsoft决策树挖掘模型简介158

6.5 Microsoft决策树挖掘模型的使用159

6.5.1 挖掘问题的提出160

6.5.2 数据准备160

6.5.3 挖掘模型简介161

6.5.4 挖掘操作流程161

6.5.5 挖掘结果分析169

6.6 贝叶斯分类169

6.6.1 贝叶斯定理170

6.6.2 朴素贝叶斯定理170

6.6.3 Microsoft贝叶斯挖掘模型简介172

6.6.4 Microsoft贝叶斯挖掘模型的使用172

6.6.5 挖掘结果分析174

6.7 神经网络175

6.7.1 神经网络概述175

6.7.2 前馈神经网络176

6.7.3 Microsoft神经网络挖掘模型简介180

6.7.4 挖掘操作流程181

6.7.5 挖掘结果分析183

第7章 聚类分析185

7.1 聚类的概念185

7.2 聚类分析中的数据类型187

7.2.1 区间标度（Interval-Scaled）变量188

7.2.2 二元（Binary）变量188

7.2.3 标称型、序数型和比例标度型变量188

7.2.4 混合类型的变量189

7.3 主要聚类方法的分类190

7.3.1 划分方法190

7.3.2 层次方法193

7.3.3 基于密度的方法195

7.3.4 基于网格的方法197

7.3.5 基于模型的方法198

7.4 Microsoft聚类挖掘模型简介199

7.4.1 典型的划分方法199

7.4.2 算法参数202

7.5 Microsoft聚类挖掘模型的使用205

7.5.1 挖掘问题的提出206

7.5.2 数据准备206

7.5.3 挖掘模型简介207

7.5.4 挖掘操作流程207

7.5.5 挖掘结果分析211

第8章 时序和序列数据的挖掘214

8.1 时序数据的挖掘214

8.1.1 时序分析中的相似性搜索214

8.1.2 Microsoft时序分析挖掘模型简介217

8.1.3 Microsoft时序分析挖掘模型的使用220

8.2 序列数据聚类221

8.2.1 Microsoft顺序分析挖掘模型简介222

8.2.2 Microsoft顺序分析挖掘模型的使用225

第9章 数据挖掘的应用和发展趋势227

9.1 数据挖掘的应用227

9.1.1 针对生物医学和DNA数据分析的数据挖掘227

9.1.2 针对金融数据分析的数据挖掘229

9.1.3 零售业中的数据挖掘230

9.1.4 电信业中的数据挖掘231

9.2 数据挖掘系统产品和研究原型231

9.2.1 怎样选择一个数据挖掘系统232

9.2.2 商用数据挖掘系统的例子234

9.3 数据挖掘的其他主题234

9.3.1 视频和音频数据挖掘235

9.3.2 科学和统计数据挖掘235

9.3.3 数据挖掘的理论基础236

9.3.4 数据挖掘和智能查询应答237

9.4 数据挖掘的社会影响238

9.5 数据挖掘的发展趋势242

参考文献244