商务智能与数据挖掘Microsoft SQL Server应用PDF电子书下载

第1章　绪论 1

1.1　商业智能 1

1.2　数据挖掘 5

第2章　数据仓库 7

2.1　数据仓库定义 7

2.2　数据仓库特点 7

2.3　数据仓库架构 8

2.4　建立数据仓库的原因和目的 10

2.5　数据仓库的应用 10

2.6　数据仓库的管理 11

第3章　数据挖掘简介 13

3.1　数据挖掘的定义 13

3.2　数据挖掘的重要性 13

3.3　数据挖掘的功能 13

3.4　数据挖掘的步骤 14

3.5　数据挖掘建模的标准CRISP-DM 15

3.6　数据挖掘软件分类 17

3.7　各数据挖掘软件的分析方法简介 18

第4章　数据挖掘中的主要方法 23

4.1　回归分析 23

4.2　关联规则 25

4.3　聚类分析 25

4.4　判别分析 27

4.5　神经网络分析 28

4.6　决策树分析 29

4.7　其他分析方法 30

第5章　数据挖掘与相关领域的关系 32

5.1　数据挖掘与统计分析的不同 32

5.2　数据挖掘与数据仓库的关系 32

5.3　KDD与数据挖掘的关系 33

5.4　OLAP与数据挖掘的关系 34

5.5　数据挖掘与机器学习的关系 34

5.6　Web数据挖掘和数据挖掘有什么不同 35

第6章　SQL Server 2005中的商业智能 36

6.1　SQL Server 2005入门 36

6.2　关联型数据库 37

6.3　Analysis Services 39

第7章　SQL Server 2005中的数据挖掘功能 43

7.1　创建商业智能应用程序 43

7.2　SQL Server 2005数据挖掘功能的优势 45

7.3　SQL Server 2005数据挖掘算法 47

7.4　可扩展性 47

7.5　SQL Server 2005数据挖掘功能与商业智能集成 47

7.6　使用数据挖掘可以解决的问题 48

第8章　SQL Server 2005的分析服务 52

8.1　建立数据源与数据源视图 52

8.2　创建维度和多维数据集 52

8.3　构建和部署 53

8.4　从模板创建可自定义的数据库 53

8.5　统一维度模型 54

8.6　基于属性的维度 54

8.7　维度类型 55

8.8　量度组和透视 56

8.9　计算和分析 56

8.10　MDX脚本 57

8.11　存储过程 58

8.12　关键绩效指标 58

8.13　实时商业智能 59

第9章　SQL Server 2005的报表服务 61

9.1　Reporting Services介绍 61

9.2　为什么使用Reporting Services 61

9.3　使用Reporting Services的方式 62

9.4　Reporting Services的功能 62

第10章　决策树模型 66

10.1　基本概念 66

10.2　决策树模型的建立 66

10.3　决策树与判别函数的比较 66

10.4　计算方法 67

10.5　SQL Server 2005操作步骤 69

10.6　范例分析 79

第11章　贝叶斯分类 84

11.1　基本概念 84

11.2　SQL Server 2005操作步骤 86

第12章　关联规则 97

12.1　基本概念 97

12.2　关联规则的种类 98

12.3　关联规则的算法：Apriori 98

12.4　SQL Server 2005操作步骤 99

第13章　聚类分析 111

13.1　基本概念 111

13.2　层次聚类分析 111

13.3　聚类分析原理 112

13.4　SQL Server 2005操作步骤 116

第14章　时序聚类分析 126

14.1　基本概念 126

14.2　相关研究 126

14.3　SQL Server 2005操作步骤 127

第15章　线性回归模型 138

15.1　基本概念 138

15.2　多元回归分析 142

15.3　SQL Server 2005操作步骤 145

15.4　范例分析一 154

15.5　范例分析二 158

第16章　Logistic回归模型 163

16.1　基本概念 163

16.2　logit变换 163

16.3　Logistic分布 164

16.4　列联表中的Logistic回归模型 165

16.5　SQL Server 2005操作步骤 166

16.6　范例分析一 175

16.7　范例分析二 180

第17章　神经网络模型 186

17.1　基本概念 186

17.2　神经网络的特性 187

17.3　神经网络的架构与训练算法 188

17.4　神经网络应用 188

17.5　神经网络优缺点 189

17.6　SQL Server 2005操作步骤 189

17.7　范例分析 199

第18章　时间序列模型 204

18.1　基本概念 204

18.2　时间序列的成分 205

18.3　时间序列数据的图形介绍 206

18.4　利用平滑法预测 210

18.5　用趋势投影预测时间序列 213

18.6　预测含有趋势成分与季节成分的时间序列 214

18.7　利用回归模型预测时间序列 214

18.8　其他预测模型 215

18.9　单变量时间序列预测模型 215

18.10　时间趋势预测模型 218

18.11　SQL Server 2005操作步骤 219

18.12　范例分析 228

第19章　SQL Server 2005整合服务 232

19.1　SQL Server整合服务（SSIS）介绍 232

19.2　SSIS实例练习 239

第20章　文本挖掘模型 259

20.1　文本挖掘技术的发展 259

20.2　文本分析技术 259

20.3　文本挖掘技术 260

20.4　SQL Server 2005文本挖掘 261

20.5　范例分析 261

第21章　SQL Server 2005的DMX语言 302

21.1　DMX介绍 302

21.2　DMX函数介绍 304

21.3　DMX数据挖掘语法 311

21.4　DMX应用范例 320

第22章　实际案例：聚类分析模型应用 328

22.1　研究背景 328

22.2　分析过程 328

第23章　实际案例：时间序列模型应用 336

23.1　研究背景 336

23.2　分析过程 336