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