商务智能与数据挖掘 第2版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商务智能的产生与发展 5

1.2.1商务智能的产生和发展过程 5

1.2.2商务智能与其他系统的关系 6

1.3商务智能的研究内容 9

1.4商务智能系统的支撑技术 10

1.5商务智能系统框架及数据流程 11

1.5.1商务智能系统框架 12

1.5.2商务智能系统的数据流程 13

1.6主流商务智能产品 14

1.6.1主流商务智能产品简介 14

1.6.2商务智能的抉择 15

1.7商务智能的未来发展趋势 16

1.8商务智能的应用 17

小结 19

习题 20

第2章 商务智能中的核心技术 21

2.1数据仓库 22

2.1.1数据仓库的产生与发展 22

2.1.2数据仓库的概念与特征 22

2.1.3 ETL 23

2.1.4数据集市 25

2.1.5数据仓库的数据组织 26

2.1.6数据仓库的体系结构 26

2.1.7数据仓库的开发步骤 27

2.2在线分析处理 30

2.2.1 OLAP简介 30

2.2.2 OLAP的定义和相关概念 31

2.2.3 OLAP与OLTP的区别 32

2.2.4 OLAP的分类 33

2.2.5 OLAP多维数据分析 34

2.3数据可视化 36

2.3.1什么是数据可视化 36

2.3.2数据可视化的优势 37

2.3.3数据可视化工具 37

小结 41

习题 41

第3章 数据挖掘概述 42

3.1数据挖掘的起源与发展 42

3.1.1数据挖掘的起源 42

3.1.2数据挖掘的发展 43

3.2数据挖掘所要解决的问题 45

3.3数据挖掘的定义 46

3.4数据挖掘的过程 46

3.5数据挖掘系统 49

3.5.1数据挖掘系统的分类 49

3.5.2数据挖掘系统的发展 50

3.6数据挖掘的功能和方法 51

3.6.1数据挖掘的功能 51

3.6.2数据挖掘的方法 53

3.7数据挖掘的典型应用领域 55

3.8数据挖掘的发展趋势 57

小结 59

习题 59

第4章 分类分析 60

4.1预备知识 60

4.2解决分类问题的一般方法 62

4.3分类算法 63

4.3.1贝叶斯分类器 63

4.3.2贝叶斯信念网络 68

4.3.3决策树 72

4.3.4支持向量机 77

4.3.5粗糙集 80

4.3.6其他分类算法 83

4.4评估分类器的性能 84

4.4.1保持方法 84

4.4.2随机二次抽样 85

4.4.3交叉验证 85

4.4.4自助法 85

小结 86

习题 86

第5章 关联分析 89

5.1引言 89

5.2基本概念 91

5.3关联规则的种类 93

5.4关联规则的研究现状 94

5.5关联规则挖掘算法 95

5.5.1 Apriori算法 95

5.5.2 Apriori改进算法 100

5.5.3 FP增长算法 102

5.6改善关联规则挖掘质量问题 104

5.6.1用户主观层面 104

5.6.2系统客观层面 105

5.7约束数据挖掘问题 105

小结 106

习题 107

第6章 聚类分析 109

6.1聚类的概念 109

6.1.1聚类概念及应用 109

6.1.2聚类算法要求 110

6.1.3聚类技术类型划分 111

6.2聚类分析的统计量 113

6.2.1模型定义 113

6.2.2相似性度量 114

6.3常用聚类算法 118

6.3.1 k均值算法 118

6.3.2 k-medoids算法 120

6.3.3凝聚层次聚类算法 122

6.3.4 DBSCAN算法 126

6.3.5 STING算法 129

6.3.6 CLIQUE算法 130

6.4簇评估 131

6.4.1概述 132

6.4.2非监督簇评估：使用凝聚度和分离度 132

6.4.3非监督簇评估：使用邻近度矩阵 136

6.4.4层次聚类的非监督评估 137

6.4.5确定正确的簇个数 137

6.4.6聚类趋势 138

6.4.7簇有效性的监督度量 138

6.5聚类与分类比较 141

小结 141

习题 141

第7章 深度学习 143

7.1深度学习的由来 144

7.1.1深度学习的神经学启示 144

7.1.2浅层结构函数表示能力的局限性 144

7.1.3特征提取的需要 145

7.2深度学习的经典方法 146

7.2.1深度学习表示模型和网络结构 146

7.2.2自动编码器 146

7.2.3受限玻尔兹曼机 148

7.2.4卷积神经网络 149

7.3深度学习的应用 150

7.3.1深度学习在语音识别、合成及机器翻译中的应用 150

7.3.2深度学习在图像分类及识别中的应用 151

7.3.3深度学习在视频分类及行为识别中的应用 152

7.4深度学习的研究近况及未来研究方向 153

7.4.1研究近况 153

7.4.2未来研究方向 153

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 159

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 177

8.5 Web使用挖掘 178

8.5.1 Web使用挖掘数据预处理 178

8.5.2 Web使用挖掘模式发现 181

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 184

小结 185

习题 185

第9章 数据挖掘在电子商务中的应用 187

9.1网站结构优化 187

9.2智能搜索引擎 189

9.2.1网络机器人 189

9.2.2文本分析 190

9.2.3搜索条件的获取和分析 191

9.2.4信息的搜索和排序 191

9.3移动商务智能 192

9.4客户关系管理 193

9.4.1营销 193

9.4.2销售 194

9.4.3客户服务 194

9.4.4客户保持 194

9.4.5风险评估和欺诈识别 195

9.5客户分类 195

9.5.1传统的客户分类理论 196

9.5.2基于客户行为的客户分类 196

9.5.3基于客户生命周期的客户分类 196

9.5.4基于客户生命周期价值的客户分类 196

小结 197

习题 197

参考文献 198