数据仓库与数据挖掘

第1章　数据仓库与数据挖掘概述　1
1.1　数据仓库概念　1
1.1.1　数据仓库的兴起　1
1.1.2　数据仓库的特点　2
1.1.3　数据集市　3
1.2　知识发现和数据挖掘概念　4
1.2.1　知识发现和数据挖掘的定义　4
1.2.2　数据挖掘任务　5
1.2.3　数据挖掘分类　7
1.2.4　数据挖掘对象　8
1.2.5　数据挖掘的知识表示　10
1.3　数据挖掘方法和技术　13
1.3.1　归纳学习方法　13
1.3.2　仿生物技术　14
1.3.3　公式发现　15
1.3.4　统计分析方法　15
1.3.5　模糊数学方法　16
1.3.6　可视化技术　16
1.4　数据仓库和数据挖掘的发展　16
1.4.1　数据仓库和数据挖掘的结合　16
1.4.2　新决策支持系统和综合决策支持系统　18
1.4.3　商业智能和知识管理　19
习题1　20
第2章　数据仓库系统　22
2.1　数据仓库组织结构　22
2.1.1　数据仓库结构　22
2.1.2　数据仓库系统结构　23
2.1.3　数据仓库的运行结构　24
2.1.4　数据集市结构　25
2.2　数据仓库存储的数据模型　26
2.2.1　星型模型　27
2.2.2　雪花模型　28
2.2.3　星网模型　28
2.3　元数据　28
2.3.1　元数据概念　28
2.3.2　关于数据源的元数据　29
2.3.3　关于数据模型的元数据　30
2.3.4　关于数据仓库映射的元数据　30
2.3.5　关于数据仓库使用的元数据　32
习题2　32
第3章　数据仓库的数据获取与管理　33
3.1　数据仓库的数据获取　33
3.1.1　数据质量　33
3.1.2　数据变换　34
3.1.3　数据清理　35
3.1.4　数据集成　35
3.1.5　聚集和概括　36
3.1.6　装载数据　37
3.2　数据管理　37
3.2.1　数据管理概述　37
3.2.2　脏数据的产生和清理　39
3.2.3　休眠数据　39
3.2.4　元数据管理　40
3.3　系统管理　41
3.3.1　服务水平　42
3.3.2　性能监控　43
3.3.3　存储器管理　46
3.3.4　网络管理　47
3.3.5　安全管理　47
习题3　48
第4章　数据仓库的设计、开发与应用　50
4.1　数据仓库设计　50
4.1.1　“数据驱动”的系统设计方法　50
4.1.2　概念模型设计　51
4.1.3　逻辑模型设计　52
4.1.4　物理模型设计　54
4.2　多维表设计　55
4.2.1　主题与多维表　55
4.2.2　多维表设计步骤　55
4.2.3　多维表设计示例　56
4.3　数据仓库的查询与索引技术　58
4.3.1　数据仓库查询　58
4.3.2　位索引技术　59
4.3.3　标识技术　61
4.3.4　广义索引　63
4.4　数据仓库开发　64
4.4.1　数据仓库规划　64
4.4.2　定义体系结构　64
4.4.3　数据仓库设计　65
4.4.4　源系统分析与数据变换设计　66
4.4.5　建立数据仓库　67
4.4.6　用户访问方法的设计和开发　67
4.5　数据仓库发展阶段与应用实例　68
4.5.1　数据仓库的5个发展阶段　68
4.5.2　数据仓库的应用实例　71
习题4　77
第5章　联机分析处理　78
5.1　OLAP概念　78
5.1.1　OLAP的定义　78
5.1.2　OLAP准则　79
5.1.3　OLAP的基本概念　82
5.1.4　OLAP与OLTP的关系与比较　83
5.2　OLAP的数据组织　84
5.2.1　关系数据组织ROLAP　85
5.2.2　多维数据组织MOLAP　85
5.2.3　两种数据组织的比较　85
5.3　OLAP的多维数据分析　86
5.3.1　基本功能　86
5.3.2　广义OLAP功能　88
5.3.3　OLAP实例　89
5.4　OLAP的体系结构　90
5.4.1　OLAP的多层结构　90
5.4.2　OLAP的Web结构　91
5.5　OLAP工具及评价　94
5.5.1　Oracle OLAP工具　94
5.5.2　OLAP工具评价指标　98
习题5　100
第6章　文本数据挖掘与Web挖掘　101
6.1　文本数据挖掘概述　101
6.1.1　文本挖掘出现　101
6.1.2　文本挖掘的基本概念　101
6.1.3　文本挖掘与信息检索　102
6.2　文本特征表示与提取　103
6.2.1　文本特征的表示　103
6.2.2　文本的特征提取　104
6.3　文本挖掘　105
6.3.1　文本分类　105
6.3.2　关联分析　106
6.3.3　文档聚类　106
6.4　Web挖掘　107
6.4.1　Web信息的特点　107
6.4.2　Web挖掘分类　108
6.4.3　Web结构的挖掘　109
6.4.4　Web使用记录的挖掘　110
习题6　112
第7章　决策树方法　113
7.1　决策树方法综述　113
7.1.1　决策树概念　113
7.1.2　信息论原理　113
7.2　ID3方法　117
7.2.1　ID3基本思想　117
7.2.2　ID3算法　118
7.2.3　实例计算　119
7.2.4　对ID3的讨论　120
7.3　C4.5方法　121
7.3.1　构造决策树　121
7.3.2　连续属性的处理　122
7.3.3　决策树剪枝　123
7.3.4　从决策树抽取规则　123
7.4　IBLE方法　125
7.4.1　IBLE算法　125
7.4.2　简例和实例　129
习题7　135
第8章　粗糙集方法与关联规则挖掘　137
8.1　粗糙集理论　137
8.1.1　粗糙集概念　137
8.1.2　最小属性集　138
8.2　粗糙集的规则获取与应用　139
8.2.1　获取规则　139
8.2.2　应用实例　140
8.3　关联规则挖掘算法　143
8.3.1　关联规则的挖掘原理　143
8.3.2　关联规则的种类　145
8.3.3　关联规则价值的衡量方法　146
8.4　关联规则挖掘算法　147
8.4.1　Apriori算法　147
8.4.2　示例　149
8.5　基于FP-tree的关联规则挖掘算法　150
8.5.1　算法描述　150
8.5.2　示例说明　151
习题8　151
第9章　公式发现　153
9.1　机器发现概述　153
9.2　BACON系统　154
9.2.1　BACON系统简介　154
9.2.2　BACON系统的应用　155
9.3　FDD公式发现算法　156
9.3.1　FDD.1　156
9.3.2　FDD.2　163
9.3.3　FDD.3　167
习题9　172
第10章　神经网络与遗传算法　173
10.1　神经网络的概念及几何意义　173
10.1.1　神经网络概念　173
10.1.2　神经网络的几何意义　174
10.2　反向传播模型(BP)　176
10.2.1　BP网络结构　176
10.2.2　BP网络学习公式推导　177
10.2.3　实例分析　180
10.3　 超曲面神经网络　183
10.3.1　超曲面神经网络概念　183
10.3.2　超圆神经元模型CC　183
10.4　遗传算法原理　190
10.4.1　遗传算法处理流程　191
10.4.2　遗传算子　192
10.4.3　遗传算法的特点　196
10.5　基于遗传的分类学习系统　197
10.5.1　概述　197
10.5.2　遗传分类学习系统GCLS的基本原理　197
10.5.3　遗传分类器学习系统GCLS的应用　201
习题10　202
第11章　基于案例推理　204
11.1　基于案例推理(CBR)的概念与原理　204
11.1.1　CBR概念　204
11.1.2　CBR的一般过程　204
11.2　案例表示和案例库　206
11.2.1　案例表示　206
11.2.2　案例库　208
11.3　案例检索与相似匹配　209
11.3.1　案例检索　209
11.3.2　案例相似匹配　210
11.4　专家系统原理与CBR的比较　211
11.4.1　专家系统(ES)原理　211
11.4.2　ES与CBR的比较　213
11.4.3　ES与CBR的结合　213
11.5　医疗事故辅助鉴定与管理系统实例　214
11.5.1　系统综述　214
11.5.2　医疗事故鉴定专家系统　215
11.5.3　基于案例推理(CBR)的医疗事故鉴定　216
习题11　217
第12章　决策支持系统与商业智能　218
12.1　传统决策支持系统　218
12.1.1　传统决策支持系统概念　218
12.1.2　传统决策支持系统的进展　219
12.1.3　传统决策支持系统的关键技术和开发的困难　220
12.2　基于数据仓库、联机分析处理和数据挖掘的新决策支持系统　221
12.2.1　新决策支持系统　221
12.2.2　新决策支持系统实例　222
12.3　综合决策支持系统　224
12.3.1　传统决策支持系统与新决策支持系统的比较　224
12.3.2　综合决策支持系统结构和原理　225
12.4　商业智能和知识管理　227
12.4.1　商业智能　227
12.4.2　知识管理　235
12.4.3　商业智能是知识管理的基础　244
12.5　小结　247
习题12　248
参考文献　249