商务智能与数据挖掘PDF电子书下载

第1章 商务智能概述 1

1.1 商务智能的概念 1

1.1.1 数据、信息与知识 1

1.1.2 商务智能的定义 3

1.1.3 商务智能的特点 4

1.1.4 商务智能的过程 5

1.2 商业决策需要商务智能 5

1.2.1 管理就是决策 5

1.2.2 决策需要信息和知识 6

1.2.3 智能型企业 6

1.2.4 商务智能支持商业决策 6

1.2.5 新一代的决策支持系统 7

1.3 商务智能的产生与发展 8

1.3.1 商务智能的产生和发展过程 9

1.3.2 商务智能与其他系统的关系 10

1.4 商务智能的价值 12

1.5 商务智能系统的功能 14

1.6 主流商务智能产品 16

1.6.1 主流商务智能产品简介 16

1.6.2 商务智能的抉择 17

1.7 商务智能的未来发展趋势 18

1.8 商务智能的应用 19

1.9 本章小结 26

习题 26

第2章 商务智能中的核心技术 27

2.1 数据仓库 27

2.1.1 数据仓库的产生与发展 27

2.1.2 数据仓库的概念与特征 28

2.1.3 ETL 29

2.1.4 数据集市 31

2.1.5 数据仓库的数据组织 32

2.1.6 数据仓库的体系结构 32

2.1.7 数据仓库的开发步骤 33

2.2 在线分析处理 36

2.2.1 OLAP简介 36

2.2.2 OLAP的定义和相关概念 37

2.2.3 OLAP与OLTP的区别 38

2.2.4 OLAP的分类 39

2.2.5 OLAP多维数据分析 40

2.3 商务智能体系结构 41

2.3.1 商务智能系统的组成 41

2.3.2 商务智能的架构体系 43

2.4 本章小结 44

习题 44

第3章 数据挖掘概述 45

3.1 数据挖掘的起源与发展 45

3.1.1 数据挖掘的起源 45

3.1.2 数据挖掘的发展 46

3.2 数据挖掘所要解决的问题 47

3.3 数据挖掘的定义 48

3.4 数据挖掘的过程 49

3.5 数据挖掘系统 52

3.5.1 数据挖掘系统的分类 52

3.5.2 数据挖掘系统的发展 53

3.6 数据挖掘的功能和方法 54

3.6.1 数据挖掘的功能 54

3.6.2 数据挖掘的方法 55

3.7 数据挖掘的典型应用领域 58

3.8 数据挖掘的发展趋势 59

3.9 本章小结 61

习题 61

第4章 分类分析 62

4.1 预备知识 62

4.2 解决分类问题的一般方法 64

4.3 分类算法 65

4.3.1 贝叶斯分类器 65

4.3.2 决策树 74

4.3.3 支持向量机 81

4.3.4 BP神经网络 82

4.3.5 其他分类算法 86

4.4 评估分类器的性能 87

4.4.1 保持方法 88

4.4.2 随机二次抽样 88

4.4.3 交叉验证 88

4.4.4 自助法 89

4.5 本章小结 89

习题 89

第5章 关联分析 92

5.1 引言 92

5.2 基本概念 93

5.3 关联规则的种类 95

5.4 关联规则的研究现状 96

5.5 关联规则挖掘算法 97

5.5.1 Apriori算法 97

5.5.2 FP增长算法 103

5.5.3 其他关联规则挖掘算法 106

5.6 改善关联规则挖掘质量问题 107

5.6.1 用户主观层面 107

5.6.2 系统客观层面 108

5.7 约束数据挖掘问题 108

5.8 本章小结 109

习题 110

第6章 聚类分析 112

6.1 聚类的概念 112

6.1 1聚类概念及应用 112

6.1.2 聚类算法要求 113

6.1.3 聚类技术类型划分 114

6.2 聚类分析的统计量 116

6.2.1 模型定义 116

6.2.2 相似性度量 116

6.3 常用聚类算法 121

6.3.1 k均值算法 121

6.3.2 k-medoids算法 123

6.3.3 凝聚层次聚类算法 124

6.3.4 DBSCAN算法 129

6.3.5 STING算法 131

6.3.6 CLIQUE算法 132

6.4 簇评估 133

6.4.1 概述 134

6.4.2 非监督簇评估：使用凝聚度和分离度 135

6.4.3 非监督簇评估：使用邻近度矩阵 138

6.4.4 层次聚类的非监督评估 139

6.4.5 确定正确的簇个数 139

6.4.6 聚类趋势 140

6.4.7 簇有效性的监督度量 141

6.5 与分类比较 143

6.6 本章小结 144

习题 144

第7章 异常检测 146

7.1 预备知识 147

7.1.1 异常的原因 147

7.1.2 异常检测方法 147

7.1.3 类标号的使用 148

7.1.4 问题 148

7.2 统计方法 149

7.2.1 检测一元正态分布中的离群点 150

7.2.2 多元正态分布的离群点 150

7.2.3 异常检测的混合模型方法 151

7.2.4 优点与缺点 152

7.3 基于近邻度的离群点检测 152

7.4 基于密度的离群点检测 152

7.4.1 使用相对密度的离群点检测 153

7.4.2 优点与缺点 153

7.5 基于聚类的技术 154

7.5.1 评估对象属于簇的程度 154

7.5.2 离群点对初始聚类的影响 155

7.5.3 使用簇的个数 155

7.5.4 优点与缺点 155

7.6 本章小结 155

习题 156

第8章 Web挖掘技术 157

8.1 Web数据挖掘概述 157

8.1.1 Web数据挖掘的概念 157

8.1.2 Web数据挖掘的特点 158

8.1.3 Web数据挖掘的处理流程 158

8.1.4 Web数据挖掘与信息检索、信息抽取的区别 159

8.2 Web数据挖掘分类 160

8.2.1 Web内容挖掘概述 160

8.2.2 Web结构挖掘概述 161

8.2.3 Web使用挖掘概述 161

8.3 Web内容挖掘 162

8.3.1 特征提取和特征表示 162

8.3.2 自动摘要 163

8.3.3 文本分类 163

8.3.4 文本聚类 164

8.4 Web结构挖掘 164

8.4.1 超链和页面内容的关系 165

8.4.2 不同挖掘阶段的分析 165

8.4.3 PageRank 166

8.4.4 HITS 172

8.4.5 两种算法的比较 176

8.4.6 Web结构挖掘应用 176

8.5 Web使用挖掘 177

8.5.1 Web使用挖掘数据预处理 177

8.5.2 Web使用挖掘模式发现 180

8.5.3 Web使用挖掘模式分析 183

8.5.4 Web使用挖掘模式应用 183

8.6 本章小结 185

习题 185

第9章 RFID数据挖掘 186

9.1 RFID数据挖掘的发展 186

9.2 RFID数据挖掘的作用 187

9.3 RFID数据分析的典型应用 187

9.3.1 零售仓储 188

9.3.2 通关检查 189

9.3.3 运输管理 189

9.3.4 医疗管理 191

9.3.5 其他应用 191

9.4 本章小结 192

习题 192

第10章 数据挖掘在电子商务中的应用 193

10.1 电子商务中数据挖掘的发展状况 193

10.2 电子商务中数据挖掘的特点 195

10.2.1 电子商务中数据挖掘的数据源 195

10.2.2 路径分析 197

10.2.3 电子商务中数据挖掘的体系结构 197

10.3 网站客户分群 198

10.4 优化网站结构 204

10.4.1 网站结构优化手段 205

10.4.2 网站结构优化模型 205

10.5 智能搜索引擎 207

10.5.1 传统搜索引擎的特点 207

10.5.2 智能搜索引擎的特点 209

10.5.3 网络爬虫 210

10.5.4 智能搜索引擎的技术与发展 214

10.6 客户关系管理 216

10.7 网络主动防御 219

10.8 本章小结 220

习题 221

参考文献 222