数据仓库与数据挖掘教程

第1章绪论

1.1数据仓库概述

1.1.1从传统数据库到数据仓库

1.1.2数据仓库的4个特征

1.1.3数据仓库系统

1.1.4数据仓库系统体系结构

1.1.5数据仓库数据的粒度与组织

1.2数据挖掘概述

1.2.1数据挖掘产生的背景

1.2.2数据挖掘与知识发现

1.2.3数据挖掘的数据来源

1.2.4数据挖掘的任务

1.2.5数据挖掘的步骤

1.2.6数据挖掘的应用

1.3数据仓库与数据挖掘

1.3.1数据仓库与数据挖掘的区别

1.3.2数据仓库与数据挖掘的关系

1.4教程章节组织与学时建议

习题1

第2章数据仓库原理

2.1多数据源问题

2.2数据预处理

2.2.1数据清洗

2.2.2数据变换

2.2.3数据归约

2.3ER模型

2.4数据仓库的概念模型

2.4.1多维数据模型

2.4.2维度与粒度

2.5数据仓库的逻辑模型

2.5.1多维数据库系统

2.5.2星形模型

2.5.3雪花模型

2.6数据仓库的物理模型

2.6.1位图索引模型

2.6.2广义索引模型

2.6.3连接索引模型

2.6.4RAID存储结构

习题2

第3章数据仓库的设计开发应用

3.1数据仓库设计的特点

3.2数据仓库系统开发过程

3.3数据仓库系统的规划

3.4数据仓库的设计

3.4.1需求分析

3.4.2概念设计

3.4.3逻辑设计

3.4.4物理设计

3.5数据仓库的实施

3.5.1数据仓库的创建

3.5.2数据的抽取、转换和加载

3.6数据仓库系统的开发

3.6.1开发任务

3.6.2开发方法

3.6.3系统测试

3.7数据仓库系统的应用

3.7.1用户培训

3.7.2决策支持

3.7.3维护评估

习题3

第4章警务数据仓库的实现

4.1SQL Server 2008 R2

4.1.1SQL Server的服务功能

4.1.2SQL Server Management Studio

4.1.3Microsoft Visual Studio

4.2创建集成服务项目与SSIS包

4.3配置“旅馆_ETL”数据流任务

4.3.1创建“旅馆_ETL”对象

4.3.2配置“旅馆_ETL”参数

4.4配置“人员_ETL”数据流任务

4.4.1创建“人员_ETL”对象

4.4.2配置“人员_ETL”参数

4.5配置“时间_ETL”数据流任务

4.5.1创建“时间_ETL”对象

4.5.2配置“时间_ETL”参数

4.6配置“入住_ETL”数据流任务

4.6.1创建“入住_ETL”对象

4.6.2配置“入住_ETL”参数

4.7部署前面配置的SSIS包

4.7.1将包另存到SSIS服务器

4.7.2创建作业代理

习题4

第5章联机分析处理技术

5.1OLAP概述

5.1.1OLAP的定义

5.1.2OLAP的12条准则

5.1.3OLAP的简要准则

5.1.4OLAP系统的基本结构

5.2OLAP的多维分析操作

5.2.1切片

5.2.2切块

5.2.3旋转

5.2.4钻取

5.3OLAP系统的分类

5.3.1多维OLAP

5.3.2关系OLAP

5.3.3MOLAP与ROLAP的比较

5.3.4混合OLAP

5.4OLAP、DW与DM的关系

5.4.1OLAP、DW与DM的联系

5.4.2OLAP、DW与DM的区别

5.4.3OLAP与DW的关系

5.4.4OLAP与DM的关系

5.5DOLAM决策支持系统方案

习题5

第6章警务数据仓库的OLAP应用

6.1创建分析服务项目

6.1.1进入商业智能开发平台

6.1.2创建分析服务项目

6.2配置项目的数据源

6.3构建数据源视图

6.4创建多维数据集

6.5配置维的层次结构

6.5.1配置日期维的层次

6.5.2配置地址维的层次

6.5.3配置人员维的层次

6.5.4配置旅馆维的层次

6.6添加人口来源地址维

6.7分析服务项目的部署

6.8浏览多维数据集

习题6

第7章数据的属性与相似性

7.1数据集的结构

7.1.1二维表

7.1.2数据矩阵

7.2属性的类型

7.2.1连续属性

7.2.2离散属性

7.2.3分类属性

7.2.4二元属性

7.2.5序数属性

7.2.6数值属性

7.3相似度与相异度

7.3.1数值属性的距离

7.3.2分类属性的相似度

7.3.3余弦相似度

7.3.4混合属性的相异度

习题7

第8章关联规则挖掘

8.1关联规则的概念

8.1.1基本概念

8.1.2项集的性质

8.2关联规则的Apriori算法

8.2.1发现频繁项集

8.2.2产生关联规则

8.3FP增长算法

8.3.1算法的背景

8.3.2构造FP树

8.3.3生成频繁项集

8.4关联规则的评价

8.4.1支持度和置信度的不足

8.4.2相关性分析

8.5序列模式发现算法

8.5.1序列模式的概念

8.5.2类Apriori算法

8.6关联规则其他算法

8.6.1频繁项集算法优化

8.6.2CLOSE算法

8.6.3时态关联规则

8.6.4含负项的关联规则

习题8

第9章分类规则挖掘

9.1分类问题概述

9.2k最近邻分类法

9.3决策树分类方法

9.3.1决策树生成框架

9.3.2ID3分类方法

9.3.3决策树的剪枝

9.3.4C4.5算法

9.4贝叶斯分类方法

9.4.1贝叶斯定理

9.4.2朴素贝叶斯分类器

9.4.3朴素贝叶斯分类方法的改进

9.5其他分类方法

习题9

第10章聚类分析方法

10.1聚类分析原理

10.1.1聚类分析概述

10.1.2聚类的数学定义

10.1.3簇的常见类型

10.1.4聚类框架及性能要求

10.1.5簇的距离

10.2划分聚类算法

10.2.1划分聚类框架

10.2.2划分聚类的质量

10.2.3kmeans算法

10.2.4空簇与离群点

10.2.5k中心点算法

10.3层次聚类方法

10.3.1层次聚类策略

10.3.2AGNES算法

10.3.3DIANA算法

10.4密度聚类方法

10.4.1基本概念

10.4.2算法描述

10.4.3计算实例

10.4.4算法的性能分析

10.5聚类的质量评价

10.5.1簇的数目估计

10.5.2外部质量评价

10.5.3内部质量评价

10.6离群点挖掘

10.6.1相关问题概述

10.6.2基于距离的方法

10.6.3基于相对密度的方法

10.7其他聚类方法

习题10

第11章混合属性数据的聚类分析

11.1混合属性数据集聚类

11.1.1混合属性数据普遍存在

11.1.2kprototypes算法

11.1.3kprototypes算法的不足

11.2改进的kprototypes算法

11.2.1加权频率最大原型

11.2.2离散属性的频率相异度

11.2.3改进的kprototypes算法

11.3强连通聚类融合算法

11.3.1聚类融合方法

11.3.2强连通聚类融合

11.3.3聚类融合优化算法

习题11

第12章数据流挖掘与聚类分析

12.1数据流挖掘的概念

12.1.1数据流的定义

12.1.2数据流挖掘的任务

12.2数据流处理技术

12.2.1概要数据结构

12.2.2时间倾斜技术

12.2.3数据流聚类的要求

12.2.4数据流聚类的一般步骤

12.3两层数据流聚类框架

12.4三层数据流聚类框架

12.5最优2k近邻聚类算法

12.5.1算法设计动因

12.5.2定义2k最近邻集

12.5.3在线2k最近邻集生成

12.5.4最优2k近邻集算法

12.5.5最优2k近邻聚类算法

12.5.6实例计算结果

习题12

第13章不确定数据的聚类分析

13.1不确定数据挖掘概述

13.1.1不确定数据的产生

13.1.2不确定数据的种类

13.1.3不确定数据的聚类

13.2基于相对密度的不确定数据聚类算法

13.2.1基于相对密度的聚类思想

13.2.2不确定相异度与k最近邻集

13.2.3不确定k最近邻密度

13.2.4RDBCAU算法描述

13.2.5计算实例

13.3不确定分类属性数据聚类算法

13.3.1传统分类属性相似度

13.3.2分类属性加权相似度

13.3.3分类属性双重加权相似度

13.3.4不确定分类属性双重加权相似度

13.3.5基于连通分支的不确定分类属性聚类算法

习题13

第14章量子计算与量子遗传聚类算法

14.1量子计算与数据挖掘

14.1.1量子计算的诞生

14.1.2量子计算研究

14.1.3量子数据挖掘算法

14.2量子计算原理

14.2.1量子态与量子比特

14.2.2量子门与基本运算

14.2.3量子纠缠特性

14.3经典量子算法

14.3.1量子傅里叶变换

14.3.2Shor因子分解算法

14.3.3Grover算法

14.4基于3D角度编码的量子遗传算法

14.4.1量子遗传算法

14.4.2量子3D角度编码

14.4.3解空间的映射

14.4.4量子染色体更新

14.4.5量子位的变异

14.4.6QGAB3DC算法

14.5量子遗传聚类算法

14.5.1属性值q分位数与极差

14.5.2基于极差的广义加权距离

14.5.3量子遗传聚类算法

习题14

参考文献

本书较详细地介绍了数据仓库和数据挖掘的原理、方法及应用技术。全书共有14章，分为4篇。第1章为绪论篇，介绍数据仓库与数据挖掘的基本概念及其相互关系；第2~6章为数据仓库原理及应用篇，主要介绍数据仓库的概念模型、逻辑模型和物理模型，以及数据仓库的规划、设计、实施和OLAP应用等；第7~10章为传统数据挖掘原理及算法篇，介绍数据的属性类型与相似性度量、关联规则挖掘、分类规则挖掘、聚类分析和离群点挖掘算法等；第11~14章为数据挖掘创新篇，主要内容取自编者近年指导研究生发表的学术论文，并根据教学需要进行适当补充修改而成，包括混合属性数据、数据流和不确定数据的聚类分析，以及量子遗传聚类算法等。本书可作为普通高等院校计算机专业与IT相关专业高年级本科生和研究生的教材，也可作为经济管理类专业同名课程的教材和参考书，还可作为电子商务、金融保险等行业数据管理与数据分析人员的培训教材或自学参考书。

兼顾应用型人才与学术型人才的培养需求；
有机融合传统理论方法与创新思想方法；
理论叙述深入浅出，实际应用具体完整；
算法描述自然易懂，计算实例详略得当。