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
5.3 KDD与数据挖掘的关系
5.4 OLAP与数据挖掘的关系
5.5 数据挖掘与机器学习的关系
5.6 Web数据挖掘和数据挖掘有什么不同
第6章 SQL Server 2005中的商业智能
6.1 SQL Server 2005入门
6.2 关联型数据库
6.3 Analysis Services
第7章 SQL Server 2005中的数据挖掘功能
7.1 创建商业智能应用程序
7.2 SQL Server 2005数据挖掘功能的优势
7.3 SQL Server 2005数据挖掘算法
7.4 可扩展性
7.5 SQL Server 2005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 SQL Server 2005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
8.10 MDX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 SQL Server 2005的报表服务
第10章 决策树模型
第11章 贝叶斯分类
第12章 关联规则
第13章 聚类分析
第14章 时序聚类分析
第15章 线性回归模型
第16章 Logistic回归模型
第17章 神经网络模型
第18章 时间序列模型
第19章 SQL Server 2005整合服务
第20章 文本挖掘模型
第21章 SQL Server 2005的DMX语言
第22章 实际案例：聚类分析模型应用
第23章 实际案例：时间序列模型应用
鄂公网安备 42010302001612号 