商务智能与数据挖掘Microsoft SQL Server应用

推荐序

序

第1章绪论

1.1商业智能

1.2数据挖掘

第2章数据仓库

2.1数据仓库定义

2.2数据仓库特点

2.3数据仓库架构

2.4建立数据仓库的原因和目的

2.5数据仓库的应用

2.6数据仓库的管理

第3章数据挖掘简介

3.1数据挖掘的定义

3.2数据挖掘的重要性

3.3数据挖掘的功能

3.4数据挖掘的步骤

3.5数据挖掘建模的标准CRISP-DM

3.6数据挖掘软件分类

3.7各数据挖掘软件的分析方法简介

第4章数据挖掘中的主要方法

4.1回归分析

4.2关联规则

4.3聚类分析

4.4判别分析

4.5神经网络分析

4.6决策树分析

4.7其他分析方法

第5章数据挖掘与相关领域的关系

5.1数据挖掘与统计分析的不同

5.2数据挖掘与数据仓库的关系

5.3KDD与数据挖掘的关系

5.4OLAP与数据挖掘的关系

5.5数据挖掘与机器学习的关系

5.6Web数据挖掘和数据挖掘有什么不同

第6章SQLServer2005中的商业智能

6.1SQLServer2005入门

6.2关联型数据库

6.3AnalysisServices

第7章SQLServer2005中的数据挖掘功能

7.1创建商业智能应用程序

7.2SQLServer2005数据挖掘功能的优势

7.3SQLServer2005数据挖掘算法

7.4可扩展性

7.5SQLServer2005数据挖掘功能与商业智能集成

7.6使用数据挖掘可以解决的问题

第8章SQLServer2005的分析服务

8.1建立数据源与数据源视图

8.2创建维度和多维数据集

8.3构建和部署

8.4从模板创建可自定义的数据库

8.5统一维度模型

8.6基于属性的维度

8.7维度类型

8.8量度组和透视

8.9计算和分析

8.10MDX脚本

8.11存储过程

8.12关键绩效指标

8.13实时商业智能

第9章SQLServer2005的报表服务

9.1ReportingServices介绍

9.2为什么使用ReportingServices

9.3使用ReportingServices的方式

9.4ReportingServices的功能

第10章决策树模型

10.1基本概念

10.2决策树模型的建立

10.3决策树与判别函数的比较

10.4计算方法

10.5SQLServer2005操作步骤

10.6范例分析

第11章贝叶斯分类

11.1基本概念

11.2SQLServer2005操作步骤

第12章关联规则

12.1基本概念

12.2关联规则的种类

12.3关联规则的算法：Apriori

12.4SQLServer2005操作步骤

第13章聚类分析

13.1基本概念

13.2层次聚类分析

13.3聚类分析原理

13.4SQLServer2005操作步骤

第14章时序聚类分析

14.1基本概念

14.2相关研究

14.3SQLServer2005操作步骤

第15章线性回归模型

15.1基本概念

15.2多元回归分析

15.3SQLServer2005操作步骤

15.4范例分析一

15.5范例分析二

第16章Logistic回归模型

16.1基本概念

16.2logit变换

16.3Logistic分布

16.4列联表中的Logistic回归模型

16.5SQLServer2005操作步骤

16.6范例分析一

16.7范例分析二

第17章神经网络模型

17.1基本概念

17.2神经网络的特性

17.3神经网络的架构与训练算法

17.4神经网络应用

17.5神经网络优缺点

17.6SQLServer2005操作步骤

17.7范例分析

第18章时间序列模型

18.1基本概念

18.2时间序列的成分

18.3时间序列数据的图形介绍

18.4利用平滑法预测

18.5用趋势投影预测时间序列

18.6预测含有趋势成分与季节成分的时间序列

18.7利用回归模型预测时间序列

18.8其他预测模型

18.9单变量时间序列预测模型

18.10时间趋势预测模型

18.11SQLServer2005操作步骤

18.12范例分析

第19章SQLServer2005整合服务

19.1SQLServer整合服务(SSIS)介绍

19.2SSIS实例练习

第20章文本挖掘模型

20.1文本挖掘技术的发展

20.2文本分析技术

20.3文本挖掘技术

20.4SQLServer2005文本挖掘

20.5范例分析

第21章SQLServer2005的DMX语言

21.1DMX介绍

21.2DMX函数介绍

21.3DMX数据挖掘语法

21.4DMX应用范例

第22章实际案例：聚类分析模型应用

22.1研究背景

22.2分析过程

第23章实际案例：时间序列模型应用

23.1研究背景

23.2分析过程

　　本书主要讨论数据挖掘技术的基本原理与应用，可以解决企业运营中遇到的各种问题，并介绍了SQLServer2005处理这些问题的方法。内容主要包括数据仓库、数据挖掘中的主要方法、SQLServer2005中的商业智能与数据挖掘功能、决策树模型、聚类分析、神经网络模型和时间序列模型等，并配有相关的范例分析与实例练习。本书内容翔实，示例丰富，结构合理，可作为各类开发人员及企业管理人员的参考用书。　　相对于其他数据库系统或数据挖掘软件，微软最新推出的数据库系统MicrosoftSQLServer借助自带的数据挖掘功能，较好地平衡了企业商务智能方案的性能和价格，因而在业界迅速普及。针对业界实务上的需求，本书主要介绍了如下内容：　　数据仓库、数据挖掘与商务智能之间的关系。　　MicrosoftSQLServer的整体架构、分析服务和报告服务以及MicrosoftSQLServer的整合服务和DMX语言。　　9种数据挖掘模型：决策树、贝叶斯分类、聚类分析、时序聚类、线性回归、Logistic回归、神经网络、时间序列。　　本书给出了丰富的精彩实例，主要包括：　　利用聚类分析找出最具有投资价值的企业。　　利用决策树模型分析游戏《三国志4》武将数据，找出三国武将特性分布。　　利用线性回归分析了解成人血液中的胆固醇是否受体重、血压及年龄的影响，了解来店顾客人数是否受广告促销费用、店面面积以及店铺所在位置的影响。　　利用Logistic回归和神经网络分析影响病人肾细胞癌转移的临床病理因素。　　利用Logistic回归分析影响高中学生升学的因素。　　利用时间序列分析预测中国台湾地区未来的进出口货物价值，了解中国台湾地区未来的进出口货物的成长趋势，以及预测未来用电负荷，来整合整体电力使用规划。【作者简介】　　谢邦昌台湾大学生物统计学博士。现任中华资料采矿协会理事长，辅仁大学统计资讯学系教授，华通人商用信息有限公司高级顾问，中国人民大学应用统计科学研究中心学术委员会委员，中国人民大学统计学系中心客座教授，上海财经大学统计学系客座教授，厦门大学计划统计学系客座教授，西南财经大学客座教授。他是数据挖掘界领军人物及世界知名统计学家，发表过近三百篇关于统计和数据挖掘的论文。出版了近五十余本相关专著。