数据挖掘与OLAP理论与实务PDF电子书下载

第1章 数据挖掘简介 1

1.1 什么是数据挖掘 1

1.2 新世纪的统计科学 1

1.3 数据挖掘是掌握商机的命脉 2

1.4 点式行销 2

1.5 门户网站的信息挖掘法 3

1.6 尿布与啤酒 3

1.7 千禧年新问题：不缺信息缺知识 4

1.8 为客户量身定做 4

1.9 数据挖掘的数字物理学 5

第2章 数据仓库简介 7

2.1 配备数据仓库的产业优势 7

2.2 数据仓库系统 9

2.3 数据仓库的应用 10

2.4 数据仓库的定义 10

2.5 数据仓库的类型 11

2.6 数据筛选、过滤和转换工具简介 11

2.6.1 ECT处理过程 12

2.6.2 数据筛选、过滤和转换的工具类型 12

2.6.3 3种工具类型的实例分析 13

2.7 传统数据库与数据仓库的比较 15

2.8 多维数据仓库中度量的建模 16

2.9 数据仓库的决策支持工具 17

2.9.1 前言 17

2.9.2 数据仓库与决策支持系统 18

2.9.3 决策支持工具分析比较 19

2.10 数据仓库的多维数据模型 22

2.11 数据仓库的执行策略 24

2.11.1 数据市集 24

2.11.2 元数据 24

2.11.3 数据仓库的执行策略 25

2.11.4 数据仓库系统的结构 30

2.11.5 结束语 31

2.12 企业财务管理辅助决策 31

2.12.1 引言 31

2.12.2 系统设计 31

2.13 数据仓库环境下面向知识的智能型查询 34

2.13.1 引言 34

2.12.3 系统执行 34

2.13.2 KBIQ方法简介 35

2.13.3 类自然语言NQL 36

2.13.4 领域模糊知识库及KBDL语言 37

2.13.5 KBIQ的特点及其执行方式 39

2.14 数据仓库技术研究和应用 40

2.14.1 数据仓库概述 40

2.14.2 数据仓库中的联机分析处理 41

2.14.3 数据挖掘 42

2.14.4 电力系统数据仓库建议方案 42

2.15 数据仓库结构说明 44

2.16 专业顾问对于企业创建数据仓库的重要性 45

2.17.2 数据仓库的OLAP技术 46

2.17 面向数据仓库的GISOLAP及其应用 46

2.17.1 引言 46

2.17.3 GIS与GIS的组件化 47

2.17.4 GISOLAP 48

2.17.5 GISOLAP在PSGIS中的应用 49

2.17.6 结论和意义 50

2.18 OLAP系统对面向查询结构的用户浏览 51

2.18.1 引言 51

2.18.2 多维数据模型 51

2.18.3 OLAP系统用户查询的结构 53

2.18.4 OLAP系统用户浏览 53

2.19 数据仓库的未来 56

2.18.5 结束语 56

第3章 数据挖掘方法论 58

3.1 数据挖掘的基本方法及其与专家系统的差异 58

3.1.1 数据挖掘的任务 58

3.1.2 数据挖掘方法 59

3.1.3 关联规则挖掘举例 60

3.1.4 分类规则挖掘举例 62

3.1.5 数据挖掘与专家系统的区别 64

3.2 知识发现 65

3.2.1 数据库知识发现系统及领域知识在其中的功能 65

3.2.2 KDD中规划提取的收敛网络方法及其应用 68

3.2.3 农业专家系统中知识发现的遗传算法 72

3.3 关联规则 75

3.3.1 兴趣度——关联规则的又一个门限值 76

3.3.2 数据库中加权关联规则的发现 84

3.3.3 挖掘所关注规则的多策略方法 91

3.4 粗糙集 96

3.4.1 通过粗糙集理论的知识发现 96

3.4.2 一种面向粗糙集的属性化简及其规则筛选方法 97

3.4.3 一种面向粗糙集的数据过滤方法 103

3.4.4 一种面向粗糙集的默认规则挖掘算法 107

3.4.5 RSL：面向粗糙集的表示语言 111

3.4.6 面向粗糙集的“数据浓缩” 118

3.4.7 粗糙集算子的决策规则及数据挖掘中的软计算 124

3.5 运用数据挖掘方法来构造客户的轮廓 129

4.1.1 PCCS部分群集分类：一种快速的Web文件群集方法 137

第4章 数据挖掘核心技术 137

4.1 群集分析 137

4.1.2 IR领域的文件群集研究 138

4.1.3 PCCS部分群集分类法 138

4.1.4 算法性能 144

4.1.5 结论 144

4.2 遗传算法 145

4.2.1 遗传程序设计方法综述 145

4.2.2 理论、技术和应用 145

4.2.3 结束语 154

5.1.2 数据挖掘 156

5.1.1 联机分析处理 156

5.1 数据仓库前端用户接口的概念说明OLAP/Data Mining 156

第5章 联机信息分析处理 156

5.2 可视化数据挖掘技术及其应用 157

5.2.1 引言 157

5.2.2 方案设计 157

5.2.3 软件执行及应用 158

5.2.4 结束语 160

5.3 时间序列数据块的储存与聚集计算 160

5.3.1 时序数据挖掘的意义及难点 160

5.3.2 多维空间位置向量与一维串行互换 161

5.3.3 数据块的储存方案 162

5.3.4 聚集计算 163

5.3.5 测试 165

5.4 OLAP研究及其在现代企业中的应用 166

5.4.1 引言 166

5.4.2 从OLTP到OLAP 166

5.4.3 OLAP在现代企业中的应用 166

5.4.4 结束语 170

5.5 一种面向企业资源规划的OLAP的执行方法 170

5.5.1 引言 170

5.5.2 MOLAP ADT的储存结构 170

5.5.3 MOLAP ADT多维查询的执行算法 172

5.5.4 结束语 174

6.1.3 ERM给予企业什么回报 175

6.1.2 为什么要引入ERM 175

6.1 ERM 175

6.1.1 什么是ERM 175

第6章 DM与CRM工具软件 175

6.2 哪些企业需要CRM 176

6.3 企业综合与转型：IBM WebSphere产品系列 177

6.3.1 WebSphere解决方案介绍 178

6.3.2 发掘信息宝藏：IBM DB2信息管理产品系列 179

6.3.3 DB2信息管理解决方案产品介绍 180

6.4 数据仓库与挖掘系统DBMiner的成功与不足 181

6.4.1 DBMiner的安装 181

6.4.2 建立数据仓库和多维数据库 181

6.4.4 挖掘各种类型的知识 182

6.4.3 数据仓库可视化浏览和查询 182

6.4.5 数据挖掘语言 184

6.4.6 DBMiner的成功之处与特色 184

6.4.7 DBMiner目前版本的不足 184

6.5 多策略通用数据挖掘工具MS Miner 185

6.5.1 引言 185

6.5.2 数据仓库 186

6.5.3 综合工具 187

6.5.4 元数据 190

6.5.5 结束语 191

6.6 NBA球场决策利器：IBM数据挖掘软件 191

6.7 企业建立客服中心及CRM软件 192

7.1 联机文本挖掘 194

第7章 21世纪的数据挖掘 194

7.2 电子商务与网络数据挖掘 195

7.2.1 引言 195

7.2.2 电子商务中进行Web数据挖掘的数据来源 195

7.2.3 电子商务中应用的数据挖掘技术 196

7.2.4 在电子商务活动中的几点应用 197

7.2.5 结论 199

7.3 WWW上的信息挖掘技术及执行 199

7.3.1 WWW上的信息挖掘 200

7.3.2 实例系统的设计与执行 202

7.3.3 结束语 205

7.4 如何精选挖掘文字的技巧 205

7.4.2 群集技术 206

7.4.1 挖掘非结构性数据 206

7.4.3 目录分类 207

7.4.4 数据检索 207

7.4.5 电子邮件的应用 208

7.4.6 文字挖掘的全球使用 209

7.5 网络文本挖掘技术 209

7.5.1 引言 209

7.5.2 Web挖掘与Web信息检索 210

7.5.3 Web挖掘的任务 211

7.5.4 Web文本挖掘方法 214

7.5.5 Web文本挖掘系统原型WebMiner 216

7.6.1 引言 217

7.6 网络挖掘 217

7.5.6 结束语 217

7.6.2 Web挖掘的分类 218

7.6.3 Web结构挖掘 220

7.6.4 Web使用记录的挖掘 222

7.6.5 多层次Web数据仓库的建立与操作：MLDB与WEBML 225

7.6.6 结束语 228

7.7 数据挖掘技术在网络上的应用及其工具设计 229

7.7.1 数据挖掘技术介绍 229

7.7.2 Web上的数据挖掘 230

7.7.3 Web上的数据挖掘的执行和工具 231

7.8 网络日志序列模式挖掘 233

7.8.1 引言 233

7.7.4 结论 233

7.8.2 项目背景及相关工作 234

7.8.3 疑难及解决方案 235

7.8.4 SPMiner的设计 237

7.8.5 结论 239

7.9 路径群集：在网站中的知识发现 239

7.9.1 引言 239

7.9.2 识别客户查找业务 241

7.9.3 实验 242

7.9.4 结论和将来的工作 242

7.10 走向全球化的“商业智能” 243

7.11 数据挖掘九大注意事项 243

附录 专有名词对照表 245