商业智能原理与应用PDF|Epub|txt|kindle电子书版本网盘下载

商业智能原理与应用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 数据挖掘和商业智能1

1.1 数据挖掘的兴起1

1.1.1 数据丰富与知识匮乏1

1.1.2 从数据到知识2

1.1.3 数据挖掘产生3

1.1.4 数据挖掘解决的商业问题4

1.2 什么是商业智能5

1.2.1 企业决策实现过程的信息需求5

1.2.2 企业信息化系统中的商业智能6

1.2.3 商业智能的体系结构7

1.3 数据挖掘和商业智能工具9

1.3.1 商业智能工具的选择9

1.3.2 SQL Server 2008的商业智能构架10

1.4 数据挖掘应用案例13

【本章小结】15

【练习题】16

第2章 数据仓库17

2.1 数据仓库的概念17

2.1.1 从传统数据库到数据仓库17

2.1.2 数据仓库的定义与基本特性19

2.2 数据仓库的体系结构21

2.2.1 数据仓库的物理结构21

2.2.2 数据仓库的系统结构22

2.2.3 数据仓库的数据模型23

2.3 元数据26

2.3.1 元数据的定义26

2.3.2 元数据的分类及作用26

2.4 数据集市28

2.4.1 两种数据集市结构28

2.4.2 数据集市与数据仓库的差别29

2.4.3 关于数据集市的误区29

2.5 数据仓库设计与实施30

2.5.1 自上而下还是自下而上的设计方法30

2.5.2 数据仓库的设计步骤31

2.5.3 数据仓库的实施40

2.5.4 数据仓库的使用和维护41

2.6 Microsoft数据仓库（DW）和商业智能（BI）工具41

2.7 数据仓库设计案例43

2.7.1 业务数据库AdventureWorks44

2.7.2 业务数据分析46

2.7.3 项目需求分析47

2.7.4 构建数据仓库48

【本章小结】50

【练习题】50

第3章 数据预处理51

3.1 数据预处理的重要性51

3.2 数据清洗53

3.2.1 遗漏数据处理53

3.2.2 噪声数据处理54

3.2.3 不一致数据处理55

3.3 数据集成与转换56

3.3.1 数据集成处理56

3.3.2 数据转换处理56

3.4 数据消减58

3.4.1 数据立方合计59

3.4.2 维数消减59

3.4.3 数据块消减60

3.5 离散化和概念层次树生成63

3.5.1 数值概念层次树生成64

3.5.2 类别概念层次树生成66

3.6 使用SSIS对数据进行ETL操作67

3.6.1 SSIS的主要功能68

3.6.2 SSIS的体系结构70

3.6.3 SSIS包主要对象74

3.6.4 创建并运行一个简单的包76

【本章小结】88

【思考题】88

第4章 多维数据分析89

4.1 多维数据分析基础89

4.2 多维数据分析方法92

4.3 多维数据的存储方式95

4.3.1 三种存储方式95

4.3.2 三种存储方式的比较97

4.4 多维表达式（MDX）98

4.4.1 MDX中的重要概念98

4.4.2 MDX基本语法100

4.4.3 MDX与SQL的区别101

4.4.4 MDX核心函数102

4.5 使用SQL Server Analysis Services（SSAS）构建维度和多维数据集108

4.5.1 SSAS的体系结构108

4.5.2 SSAS的统一维度模型（UDM）109

4.5.3 SSAS示例111

4.6 使用Excel数据透视图浏览多维数据集141

【本章小结】146

【思考题】147

第5章 用Microsoft SSRS处理智能报表148

5.1 SSRS商业智能报表148

5.1.1 商业智能报表与商业智能148

5.1.2 SSRS的结构150

5.1.3 SSRS报表的3种状态151

5.2 使用SSRS创建报表151

5.2.1 创建一个简单报表项目151

5.2.2 增强基本报表的功能153

5.2.3 发布报表160

【本章小结】160

第6章 数据挖掘技术161

6.1 数据挖掘的任务161

6.1.1 分类162

6.1.2 回归163

6.1.3 时间序列分析163

6.1.4 预测164

6.1.5 聚类164

6.1.6 关联规则165

6.1.7 序列分析166

6.1.8 偏差检测166

6.2 数据挖掘的对象167

6.3 数据挖掘系统的分类171

6.4 数据挖掘项目的生命周期172

6.4.1 商业理解173

6.4.2 数据准备173

6.4.3 模型构建173

6.4.4 模型评估174

6.4.5 应用集成和实施174

6.5 数据挖掘面临的挑战及发展175

6.5.1 数据挖掘面临的挑战175

6.5.2 数据挖掘的发展趋势176

【本章小结】178

【思考题】179

第7章 关联挖掘180

7.1 关联规则挖掘181

7.1.1 购物分析：关联挖掘181

7.1.2 基本概念181

7.1.3 关联规则挖掘分类182

7.2 单维布尔关联规则挖掘183

7.2.1 Apriori算法183

7.2.2 关联规则的生成186

7.3 挖掘多层级关联规则186

7.3.1 挖掘多层次关联规则186

7.3.2 挖掘多层次关联规则方法188

7.3.3 多层次关联规则的冗余190

7.4 多维关联规则的挖掘191

7.4.1 多维关联规则191

7.4.2 利用静态离散挖掘多维关联规则192

7.5 关联挖掘中的相关分析193

7.5.1 无意义强关联规则示例193

7.5.2 从关联分析到相关分析194

7.6 利用Microsoft SSAS进行关联挖掘195

7.6.1 Microsoft关联规则模型简介195

7.6.2 关联规则数据挖掘示例197

【本章小结】206

【思考题】206

第8章 分类与预测207

8.1 分类与预测基本知识207

8.2 有关分类和预测的几个问题209

8.3 基于决策树的分类210

8.3.1 决策树生成算法210

8.3.2 属性选择方法211

8.3.3 树枝修剪213

8.3.4 决策树分类规则获取214

8.3.5 级别决策树方法的改进215

8.3.6 数据仓库技术与决策树归纳的结合216

8.4 贝叶斯分类方法217

8.4.1 贝叶斯定理217

8.4.2 基本贝叶斯分类方法218

8.5 神经网络分类方法220

8.5.1 多层前馈神经网络220

8.5.2 神经网络结构221

8.5.3 后传方法221

8.5.4 后传方法和可理解性224

8.6 分类器准确性225

8.6.1 分类器准确性估计225

8.7 预测方法226

8.7.1 线性与多变量回归226

8.7.2 非线性回归227

8.7.3 其它回归模型228

8.8 Microsoft贝叶斯算法228

8.8.1 贝叶斯算法的参数228

8.8.2 使用贝叶斯模型229

8.8.3 浏览贝叶斯模型231

8.9 Microsoft决策树算法234

8.10 Microsoft神经网络算法240

【本章小结】242

【思考题】242

第9章 聚类分析243

9.1 聚类分析概念243

9.2 聚类分析中的数据类型245

9.2.1 间隔数值属性246

9.2.2 二值属性247

9.2.3 符号、顺序和比例数值属性248

9.2.4 混合类型属性250

9.3 主要聚类方法251

9.4 划分方法252

9.4.1 传统划分方法252

9.4.2 大数据库的划分方法255

9.5 层次方法256

9.5.1 两种基本层次聚类方法256

9.6 基于密度方法258

9.6.1 基于密度方法：DBSCAN258

9.7 异常数据分析259

9.7.1 基于统计的异常检测方法260

9.7.2 基于距离的异常检测方法261

9.7.3 基于偏差的异常检查方法261

9.8 Microsoft聚类算法263

【本章小结】270

【思考题】270

第10章 时序数据和序列数据挖掘271

10.1 时间序列模型271

10.2 Microsoft的时序算法273

10.2.1 自动回归273

10.2.2 自动回归树274

10.2.3 数据中的季节性处理275

10.2.4 使用预测函数预测值275

10.3 Microsoft时序算法示例276

10.4 Microsoft的序列模式挖掘281

10.4.1 Microsoft序列聚类算法281

10.4.2 序列聚类挖掘示例284

【本章小结】289

【思考题】290

第11章 基于多维数据集的数据挖掘291

11.1 OLAP和数据挖掘之间的关系291

11.2 构建OLAP挖掘模型293

【本章小结】300