數據倉庫與數據挖掘原理及應用(第2版)

第一篇 數據倉庫
第1章 數據倉庫基礎
1.1 概述
1.1.1 演變
1.1.2 定義
1.2 體系結構
1.2.1 兩層的體系結構
1.2.2 三層的體系結構
1.3 組成
1.3.1 加載管理器
1.3.2 倉庫管理器
1.3.3 查詢管理器
1.4 元數據
1.4.1 定義和分類
1.4.2 標准化
1.4.3 CWM
1.4.4 UML、MOF和XMI與CWM的關系
1.5 數據粒度
1.6 數據模型
1.7 ETL過程
1.7.1 主要流程
1.7.2 數據抽取
1.7.3 數據轉換
1.7.4 數據加載
1.8 數據質量
1.8.1 主要問題
1.8.2 評價標准
1.8.3 管理目標
1.8.4 管理體系
1.8.5 數據規划
1.8.6 技術方案
第2章 數據倉庫設計和實現
2.1 數據倉庫設計
2.1.1 設計方法
2.1.2 體系結構設計
2.1.3 數據模型設計
2.1.4 ETL設計
2.2 數據倉庫實現
第3章 數據倉庫實例
3.1 實例一
3.1.1 選擇主題
3.1.2 邏輯模型
3.1.3 物理模型
3.1.4 ETL
3.2 實例二
3.2.1 總體結構
3.2.2 概念模型
3.2.3 邏輯模型
3.2.4 物理模型
3.2.5 數據清洗
3.2.6 ETL
第4章 數據倉庫應用——OLAP和OLAM
4.1 OLAP
4.2 OLAM
4.2.1 體系結構
4.2.2 特點
4.2.3 基於Web的OLAM
第二篇 數據挖掘
第5章 數據挖掘基礎
5.1 概述
5.1.1 定義
5.1.2 功能
5.1.3 模型
5.1.4 展望
5.2 實現
5.3 工具
5.3.1 概述
5.3.2 比較
第6章 聚類分析
6.1 硬聚類
6.1.1 概述
6.1.2 相似度計算
6.1.3 實現方法
6.1.4 主要算法
6.2 模糊聚類
6.2.1 概述
6.2.2 主要算法
6.3 評價
第7章 分類和預測
7.1 神經網絡
7.2 決策樹
7.3 實現過程
第8章 關聯分析
8.1 概述
8.2 Apriori
8.3 FP-Growth
第9章 Web挖掘
9.1 概述
9.1.1 定義和分類
9.1.2 主要技術
9.1.3 實現過程
9.2 Web資源獲取
9.3 Web預處理
9.3.1 Web過濾
9.3.2 Web去重
9.4 Web抽取和表示
9.4.1 Web抽取
9.4.2 Web表示
9.5 Web特征提取
9.6 Web聚類
9.7 Web分類
9.7.1 朴素貝葉斯 24#
9.7.2 支持向量機
9.7.3 評價
第10章 數據挖掘實例
10.1 客戶細分
10.1.1 定義
10.1.2 數據准備
10.1.3 建模過程
10.1.4 結果
10.2 重入網識別
10.2.1 定義
10.2.2 數據准備
10.2.3 建模過程
10.2.4 結果
10.3 虛開欺詐識別
10.3.1 定義
10.3.2 數據准備
10.3.3 建模過程
10.3.4 結果
10.4 數據業務收入預測
10.4.1 定義
10.4.2 數據准備
10.4.3 建模過程
10.4.4 結果
10.5 移動客戶流失預測
10.5.1 定義
10.5.2 數據准備
10.5.3 特征變量選取
10.5.4 建模過程
10.5.5 結果
10.5.6 應用
10.6 WAP日志挖掘
10.6.1 定義
10.6.2 數據准備
10.6.3 建模過程
10.6.4 結果
第三篇 語義網和本體
第11章 知識基礎
11.1 概述
11.2 知識分類
11.3 知識表示
11.3.1 知識表示觀
11.3.2 知識表示方法
11.4 知識可視化
11.4.1 主要技術
11.4.2 工具
11.5 知識管
11.5.1 概述
11.5.2 模型和技術
11.5.3 知識管理系統
11.5.4 方法和步驟
第12章 語義網和本體
12.1 語義網
12.1.1 概述
12.1.2 層次結構
12.1.3 元數據
12.1.4 核心技術
12.1.5 開發工具——Jena
12.1.6 Web 3.
12.2 本體
12.2.1 哲學本源
12.2.2 定義
12.2.3 建模
12.2.4 分類
12.2.5 構建方法
12.2.6 描述語言
12.2.7 實例
參考文獻