| 商家名称 | 信用等级 | 购买信息 | 订购本书 |
 |
 |
数据仓库与数据挖掘教程(第2版)(陈文伟著) |  |
 |
|
数据仓库与数据挖掘教程(第2版)(陈文伟著) | |
《数据仓库与数据挖掘教程(第2版)》特色：1.从数据库到数据仓库、从数据字典到元数据来说明数据仓库的兴起。2.从联机事务处理（OLTP）到联机分析处理（OLAP）、多维数据的显示来说明多维数据的兴起。3.通过实例来说明多维数据分析的应用与数据立方体新技术。4.突出数据仓库的决策支持和基于数据仓库的决策支持系统。5.从数据挖掘的理论基础来说明数据挖掘的方法：决策树方法的信息论原理、粗糙集方法和关联规则挖掘方法的集合论原理。6.神经网络的介绍从简单到复杂；最早的感知机到反向传播网络BP，再到径向基函数网络。通过神经网络几何意义的介绍，说明神经网络的分类效果。7.变换规则的知识挖掘是在数据挖掘的基础上，增加规则前提的变换和结论的变换，获取变换规则知识。变换规则知识是适应变化环境的新知识，是一般规则知识的发展。8.软件进化规律的知识挖掘，系统地总结了软件进化过程和进化的规律，帮助读者提高软件开发能力。
第1章 数据仓库与数据挖掘概述1
1.1 数据仓库的兴起1
1.1.1 从数据库到数据仓库1
1.1.2 从OLTP到OLAP3
1.1.3 数据字典与元数据4
1.1.4 数据仓库的定义与特点6
1.2 数据挖掘的兴起7
1.2.1 从机器学习到数据挖掘7
1.2.2 数据挖掘含义8
1.2.3 数据挖掘与OLAP的比较8
1.2.4 数据挖掘与统计学9
1.3 数据仓库和数据挖掘的结合11
1.3.1 数据仓库和数据挖掘的区别与联系11
1.3.2 基于数据仓库的决策支持系统13
1.3.3 数据仓库与商业智能14
习题116
第2章 数据仓库原理18
2.1 数据仓库结构体系18
2.1.1 数据仓库结构18
2.1.2 数据集市及其结构19
2.1.3 数据仓库系统结构22
2.1.4 数据仓库的运行结构24
2.2 数据仓库数据模型24
2.2.1 星型模型25
2.2.2 雪花模型25
2.2.3 星网模型26
2.2.4 第三范式27
2.3 数据抽取、转换和装载28
2.3.1 数据抽取28
2.3.2 数据转换29
2.3.3 数据装载31
2.3.4 ETL工具32
2.4 元数据33
2.4.1 元数据的重要性33
2.4.2 关于数据源的元数据34
2.4.3 关于数据模型的元数据35
2.4.4 关于数据仓库映射的元数据35
2.4.5 关于数据仓库使用的元数据37
习题237
第3章 联机分析处理39
3.1 OLAP概念39
3.1.1 OLAP的定义39
3.1.2 OLAP准则40
3.1.3 OLAP的基本概念43
3.2 OLAP的数据模型44
3.2.1 MOLAP数据模型44
3.2.2 ROLAP数据模型46
3.2.3 MOLAP与ROLAP的比较46
3.2.4 HOLAP数据模型49
3.3 多维数据的显示49
3.3.1 多维数据显示方法49
3.3.2 多维类型结构50
3.3.3 多维数据的分析视图50
3.4 OALP的多维数据分析52
3.4.1 多维数据分析的基本操作52
3.4.2 多维数据分析实例54
3.4.3 广义OLAP功能56
3.4.4 数据立方体58
3.4.5 多维数据分析的MDX语言及其应用62
习题3 65
第4章 数据仓库设计与开发67
4.1 数据仓库分析与设计67
4.1.1 需求分析67
4.1.2 概念模型设计68
4.1.3 逻辑模型设计69
4.1.4 物理模型设计75
4.1.5 数据仓库的索引技术77
4.2 数据仓库开发81
4.2.1 数据仓库开发过程81
4.2.2 数据质量与数据清洗87
4.2.3 数据粒度与维度建模88
4.3 数据仓库技术与开发的困难90
4.3.1 数据仓库技术90
4.3.2 数据仓库开发的困难93
习题494
第5章 数据仓库的决策支持96
5.1 数据仓库的用户96
5.1.1 数据仓库的信息使用者96
5.1.2 数据仓库的探索者98
5.2 数据仓库的决策支持与决策支持系统99
5.2.1 查询与报表100
5.2.2 多维分析与原因分析101
5.2.3 预测未来102
5.2.4 实时决策103
5.2.5 自动决策104
5.2.6 决策支持系统104
5.3 数据仓库应用实例105
5.3.1 航空公司数据仓库决策支持系统简例105
5.3.2 统计业数据仓库系统109
5.3.3 沃尔玛数据仓库系统112
习题5114
第6章 数据挖掘原理116
6.1 数据挖掘综述116
6.1.1 数据挖掘与知识发现116
6.1.2 数据挖掘对象117
6.1.3 数据挖掘任务119
6.1.4 数据挖掘分类122
6.1.5 不完全数据处理123
6.1.6 数据库的数据浓缩124
6.2 数据挖掘方法和技术127
6.2.1 归纳学习的信息论方法127
6.2.2 归纳学习的集合论方法128
6.2.3 仿生物技术的神经网络方法129
6.2.4 仿生物技术的遗传算法129
6.2.5 数值数据的公式发现130
6.2.6 可视化技术130
6.3 数据挖掘的知识表示131
6.3.1 规则知识131
6.3.2 决策树知识131
6.3.3 知识基(浓缩数据)132
6.3.4 神经网络权值132
6.3.5 公式知识133
6.3.6 案例133
习题6133
第7章 信息论方法135
7.1 信息论原理135
7.1.1 信道模型和学习信道模型136
7.1.2 信息熵与条件熵136
7.1.3 互信息与信息增益137
7.1.4 信道容量与译码准则138
7.2 决策树方法139
7.2.1 决策树概念139
7.2.2 ID3方法基本思想140
7.2.3 ID3算法141
7.2.4 实例与讨论142
7.2.5 C4.5方法144
7.3 决策规则树方法147
7.3.1 IBLE方法基本思想147
7.3.2 IBLE算法149
7.3.3 IBLE方法实例151
习题7157
第8章 集合论方法159
8.1 粗糙集方法159
8.1.1 粗糙集概念159
8.1.2 属性约简的粗糙集理论162
8.1.3 属性约简的粗糙集方法165
8.1.4 粗糙集方法的规则获取166
8.1.5 粗糙集方法的应用实例166
8.2 K-均值聚类169
8.2.1 聚类方法简介169
8.2.2 K-均值聚类方法与实例171
8.3 关联规则挖掘172
8.3.1 关联规则的挖掘原理173
8.3.2 Apriori算法基本思想176
8.3.3 Apriori算法程序179
8.3.4 基于FP-tree的关联规则挖掘算法180
习题8184
第9章 神经网络186
9.1 神经网络概念与感知机186
9.1.1 神经网络原理186
9.1.2 感知机网络187
9.1.3 感知机实例与讨论190
9.2 反向传播网络191
9.2.1 反向传播网络结构191
9.2.2 BP网络学习公式推导191
9.2.3 BP网络的典型实例196
9.3 径向基函数网络197
9.3.1 径向基函数RBF网络原理197
9.3.2 RBF网络算法与分析198
9.4 神经网络的几何意义199
9.4.1 神经网络的超平面含义199
9.4.2 异或问题的实例分析202
习题9204
第10章 遗传算法与进化计算206
10.1 遗传算法206
10.1.1 遗传算法基本原理206
10.1.2 遗传算子208
10.1.3 遗传算法简例212
10.1.4 遗传算法的特点214
10.2 基于遗传算法的分类学习系统215
10.2.1 概述215
10.2.2 遗传分类学习系统GCLS的基本原理216
10.2.3 遗传分类学习系统GCLS的应用220
10.3 进化计算221
10.3.1 进化计算概述221
10.3.2 进化策略与进化规划222
10.3.3 进化计算小结224
习题10226
第11章 公式发现227
11.1 公式发现概述227
11.1.1 曲线拟合与发现学习227
11.1.2 启发式与数据驱动启发式229
11.2 科学定律重新发现系统230
11.2.1 BACON系统基本原理230
11.2.2 BACON系统实例231
11.2.3 BACON系统的进展234
11.3 经验公式发现系统235
11.3.1 FDD系统基本原理235
11.3.2 FDD.1系统237
11.3.3 FDD.2系统242
11.3.4 FDD.3系统245
习题11249
第12章 知识挖掘251
12.1 变换规则的知识挖掘251
12.1.1 适应变化环境的变换和变换规则251
12.1.2 变换规则的知识挖掘的理论基础253
12.1.3 变换规则的知识推理255
12.1.4 变换规则链的知识挖掘257
12.1.5 适应变化环境的变换规则元知识260
12.2 软件进化规律的知识挖掘264
12.2.1 数值计算的进化 264
12.2.2 计算机程序的进化269
12.2.3 数据存储的进化271
12.2.4 知识处理的进化274
12.2.5 进化规律的知识挖掘276
习题12280
第13章 文本挖掘与Web挖掘281
13.1 文本挖掘概述281
13.1.1 文本挖掘的基本概念281
13.1.2 文本特征的表示282
13.1.3 文本特征的提取283
13.2 文本挖掘284
13.2.1 文本挖掘功能层次284
13.2.2 文本关联分析285
13.2.3 文本聚类285
13.2.4 文本分类286
13.3 Web挖掘287
13.3.1 Web挖掘概述287
13.3.2 Web内容挖掘290
13.3.3 Web结构挖掘291
13.3.4 Web应用(访问信息)挖掘293
13.3.5 Web日志分析与实例295
习题13300
参考文献302
版权页：
插图：
2.数据仓库用于决策分析
随着决策分析需求的扩大，兴起了支持决策的数据仓库。它是以决策主题需求集成多个数据库，重新组织数据结构，统一规范编码，使其有效地完成各种决策分析。
从数据库到数据仓库的演变，体现了以下几点：
（1）数据库用于事务处理，数据仓库用于决策分析。
事务处理功能单一，数据库完成事务处理的增加、删除、修改、查询等操作。决策分析要求数据较多。数据仓库需要存储更多的数据，它不需要修改数据，它主要从大量数据中提取综合信息以及利用历史数据的规律得到预测信息。
（2）数据库保持事务处理的当前状态，数据仓库既保存过去的数据又保存当前的数据。
数据库中的数据随业务的变化一直在更新，总保存当前的数据，如学生数据库、财务数据库等。数据仓库中的数据不随时间变化而变化，但它保留大量不同时间的数据，即保留历史数据和当前数据。
（3）数据仓库的数据是大量数据库的集成。
数据仓库的数据不是数据库的简单集成，而是按决策主题，将大量数据库中的数据进行重新组织，统一编码进行集成。
如银行数据仓库数据是由储蓄数据库、信用卡数据库、贷款数据库等多个数据库按“用户”主题进行重新组织、编码和集成而建立的。
可见，数据仓库的数据量比数据库的数据量大得多。
（4）对数据库的操作比较明确，操作数据量少。对数据仓库操作不明确，操作数据量大。
一般对数据库的操作都是事先知道的事务处理工作，每次操作（增加、删除、修改、查询）涉及的数据量也小，如一个或几个记录数据。
对数据仓库的操作都是根据当时决策需求临时决定而进行的。如比较两个地区某个商品销售的情况。该操作所涉及的数据量很大，不是几个记录数据，而是两个地区多个商店的某商品的所有销售记录。
编辑推荐：
更多图书资讯可访问读书人图书频道：http://www.reAder8.cn/book/
