数据仓库与数据挖掘技术PDF|Epub|txt|kindle电子书版本网盘下载

数据仓库与数据挖掘技术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 数据挖掘和数据仓库概述1

1.1数据挖掘引论1

1.1.1数据挖掘的由来1

1.1.2数据挖掘的定义2

1.1.3数据挖掘的功能3

1.1.4数据挖掘的常用方法4

1.2数据仓库引论5

1.2.1数据仓库的产生与发展5

1.2.2数据仓库的定义6

1.2.3数据仓库与数据挖掘的联系与区别6

1.3数据挖掘的应用7

1.3.1数据挖掘的应用领域7

1.3.2数据挖掘案例9

1.4常用数据挖掘工具12

1.4.1数据挖掘工具的种类13

1.4.2评价数据挖掘工具优劣的指标14

1.4.3常用数据挖掘工具14

小结18

习题118

第2章 数据仓库20

2.1数据仓库的基本概念20

2.2数据仓库的体系结构25

2.2.1元数据26

2.2.2粒度的概念28

2.2.3分割问题29

2.2.4数据仓库中的数据组织形式30

2.3数据仓库的数据模型31

2.3.1概念数据模型32

2.3.2逻辑数据模32

2.3.3物理数据模型33

2.3.4高层数据模型、中间层数据模型和低层数据模型33

2.4数据仓库设计步骤34

2.4.1概念模型设计34

2.4.2技术准备工作36

2.4.3逻辑模型设计36

2.4.4物理模型设计38

2.4.5数据仓库的生成38

2.4.6数据仓库的使用和维护39

2.5利用SQL Server 2005构建数据仓库41

小结50

习题250

第3章 联机分析处理技术51

3.1 OLAP概述51

3.1.1 OLAP的由来51

3.1.2 OLAP的一些基本概念51

3.1.3 OLAP的定义与特征52

3.2 OLAP中的多维分析操作52

3.2.1钻取53

3.2.2切片和切块53

3.2.3旋转53

3.3 OLAP的基本数据模型55

3.3.1多维联机分析处理55

3.3.2关系联机分析处理56

3.3.3 MOLAP和ROLAP的比较57

3.3.4混合型联机分析处理58

3.4 OLAP的衡量标准58

3.5基于SQL Server 2005的OLAP实现60

小结72

习题372

第4章 数据预处理73

4.1数据预处理概述73

4.1.1原始数据中存在的问题73

4.1.2数据预处理的方法和功能74

4.2数据清洗74

4.2.1属性选择与处理74

4.2.2空缺值处理75

4.2.3噪声数据处理76

4.2.4不平衡数据的处理79

4.3数据集成和变换80

4.3.1数据集成80

4.3.2数据变换81

4.4数据归约84

4.4.1数据归约的方法84

4.4.2数据立方体聚集84

4.4.3维归约84

4.4.4数据压缩86

4.4.5数值归约86

4.4.6离散化与概念分层生成89

小结92

习题493

第5章关联规则方法94

5.1关联规则的概念和分类94

5.1.1关联规则的概念94

5.1.2关联规则的分类95

5.2 Apriori算法96

5.2.1产生频繁项集96

5.2.2产生频繁项集的实例97

5.2.3从频繁项集产生关联规则99

5.3 FP-Growth算法100

5.3.1 FP-Growth算法计算过程100

5.3.2 FP-Growth算法示例101

5.4利用SQL Server 2005进行关联规则挖掘102

小结119

习题5120

第6章 决策树方法121

6.1信息论的基本原理121

6.1.1信息论原理121

6.1.2互信息的计算122

6.2常用决策树算法124

6.2.1 ID3算法124

6.2.2 C4.5算法127

6.3决策树剪枝130

6.3.1先剪枝130

6.3.2后剪枝130

6.4由决策树提取分类规则130

6.4.1获得简单规则131

6.4.2精简规则属性131

6.5利用SQL Server 2005进行决策树挖掘132

6.5.1数据准备132

6.5.2挖掘模型设置132

6.5.3挖掘流程133

6.5.4挖掘结果分析135

6.5.5挖掘性能分析138

小结139

习题6139

第7章 统计学习方法140

7.1朴素贝叶斯分类140

7.1.1贝叶斯定理140

7.1.2朴素贝叶斯分类141

7.2贝叶斯信念网络143

7.2.1贝叶斯信念网络143

7.2.2贝叶斯网络的特点143

7.2.3贝叶斯网络的应用144

7.3 EM算法144

7.3.1估计k个高斯分布的均值144

7.3.2 EM算法的一般表述146

7.4回归分析147

7.4.1一元线性回归147

7.4.2多元线性回归148

7.4.3非线性回归149

7.5利用SQL Server 2005进行线性回归分析150

小结155

习题7155

第8章 人工神经网络方法156

8.1人工神经网络的基本概念156

8.1.1人工神经元原理156

8.1.2人工神经网络拓扑结构158

8.1.3人工神经网络学习算法158

8.1.4人工神经网络泛化160

8.2误差反向传播（BP）神经网络160

8.2.1 BP神经网络的拓扑结构160

8.2.2 BP神经网络学习算法161

8.2.3 BP神经网络设计163

8.3自组织特征映射（SOFM）神经网络163

8.3.1 SOFM神经网络的拓扑结构163

8.3.2 SOFM神经网络聚类的基本算法164

8.3.3 SOFM神经网络学习算法分析165

8.4 Elman神经网络165

8.4.1 Elman神经网络的拓扑结构165

8.4.2 Elman神经网络权值计算166

8.5 Hopfield神经网络166

8.5.1 Hopfield神经网络的拓扑结构167

8.5.2 Hopfield神经网络学习算法概述167

8.5.3离散Hopfield神经网络167

8.5.4连续Hopfield神经网络168

8.6利用SQL Server 2005神经网络进行数据挖掘169

8.6.1数据准备169

8.6.2挖掘流程170

小结174

习题8174

第9章 聚类分析175

9.1聚类概述175

9.1.1聚类简介175

9.1.2聚类的定义175

9.1.3聚类的要求175

9.2聚类分析中的相异度计算176

9.2.1聚类算法中的数据结构176

9.2.2区间标度变量及其相异度计算177

9.2.3二元变量及其相异度计算178

9.2.4标称型变量及其相异度计算179

9.2.5序数型变量及其相异度计算180

9.2.6比例标度型变量及其相异度计算180

9.2.7混合类型变量的相异度计算180

9.3基于划分的聚类方法181

9.3.1 k-平均算法181

9.3.2 k-中心点算法182

9.4基于层次的聚类方法183

9.5谱聚类方法184

9.5.1谱聚类的步骤184

9.5.2谱聚类的优点185

9.5.3谱聚类实例185

9.6利用SQL Server 2005进行聚类分析186

9.6.1挖掘流程186

9.6.2结果分析188

小结191

习题9192

第10章 粗糙集方法193

10.1粗糙集的基本概念193

10.1.1等价关系与等价类193

10.1.2信息表与决策表194

10.1.3下近似与上近似195

10.2基于粗糙集的属性约简196

10.2.1属性约简的有关概念196

10.2.2基于粗糙集的几种属性约简算法198

10.3基于粗糙集的决策规则约简199

10.3.1决策规则的定义199

10.3.2决策规则的约简200

10.4粗糙集的优缺点201

10.4.1粗糙集的优点201

10.4.2粗糙集的缺点201

小结201

习题10202

第11章 复杂结构数据挖掘203

11.1文本数据挖掘203

11.1.1文本数据的特点203

11.1.2文本挖掘的定义203

11.1.3文本挖掘的主要任务204

11.1.4文本挖掘的一般过程204

11.1.5文本挖掘的应用207

11.2 Web数据挖掘207

11.2.1 Web数据的特点208

11.2.2 Web挖掘的定义208

11.2.3 Web挖掘分类208

11.2.4 Web挖掘过程209

11.2.5 Web数据挖掘的应用209

11.3空间数据挖掘210

11.3.1空间数据的复杂性特征210

11.3.2空间数据挖掘的定义210

11.3.3空间数据挖掘知识的类型211

11.3.4空间数据挖掘的用途211

11.4多媒体数据挖掘211

11.4.1多媒体数据挖掘的概念211

11.4.2多媒体挖掘的分类211

小结212

习题11212

参考文献213