第1章 数据挖掘基本知识 1
1.1 数据挖掘的概念 1
1.2 数据挖掘的存储对象 4
1.2.1 关系数据库 4
1.2.2 数据仓库 7
1.2.3 事务数据库 9
1.2.4 高级数据库系统和高级数据库应用 10
1.3 基本数据挖掘任务 14
1.3.1 特征和区分 14
1.3.2 关联分析 14
1.3.3 分类和预测 15
1.3.4 聚类分析 15
1.3.5 局外者分析 15
1.4 数据挖掘系统的分类 15
1.5 数据挖掘的主要问题 16
第2章 数据仓库及OLAP技术 20
2.1 数据仓库的概念 20
2.1.1 数据仓库的定义 20
2.1.2 数据仓库的建立 21
2.1.3 操作数据库系统与数据仓库的区别 22
2.1.4 分离的数据仓库 23
2.2 多维数据模型 24
2.2.1 由表和电子数据表到数据方 24
2.2.2 多维数据库模式 26
2.2.3 定义星型、雪花和星座的实例 29
2.2.4 度量的计算 30
2.2.5 概念分层 32
2.2.6 多维数据模型上的OLAP操作 34
2.2.7 多维数据库的星型查询模型 36
2.3 数据仓库的系统结构 37
2.3.1 数据仓库的设计步骤和结构 37
2.3.2 三层数据仓库结构 39
2.3.3 OLAP服务器类型（ROLAP、MOLAP、HOLAP）的比较 41
2.4 数据仓库实现 43
2.4.1 数据方的有效计算 43
2.4.2 索引OLAP数据 48
2.4.3 OLAP查询的有效处理 50
2.4.4 元数据存储 51
2.4.5 数据仓库后端工具和实用程序 52
2.5 数据方技术的进一步发展 52
2.5.1 数据方发现驱动的探查 53
2.5.2 多粒度上的复杂聚集：多特征方 55
2.5.3 其他进展 57
2.6 由数据仓库到数据挖掘 58
2.6.1 数据仓库的使用 58
2.6.2 由联机分析处理到联机分析挖掘 59
第3章 数据预处理 62
3.1 数据预处理的重要性 62
3.2 数据清洗 64
3.2.1 遗漏数据处理 64
3.2.2 噪声数据处理 64
3.2.3 不一致数据处理 66
3.3 数据集成与转换 66
3.3.1 数据集成处理 66
3.3.2 数据转换处理 67
3.4 数据消减 69
3.4.1 数据立方合计 70
3.4.2 维数消减 71
3.4.3 数据块消减 72
3.5 离散化和概念层次树生成 75
3.5.1 数值概念层次树生成 76
3.5.2 类别概念层次树生成 78
第4章 使用SQL Server 2005进行数据挖掘 81
4.1 关于Business Intelligence Development Studio 81
4.1.1 关于用户界面 81
4.1.2 联机模式和离线模式 83
4.1.3 如何创建数据挖掘对象 87
4.2 对数据源进行设置 87
4.2.1 数据源 87
4.2.2 使用数据源视图 90
4.3 创建和编辑模型 101
4.3.1 挖掘结构与模型 102
4.3.2 使用数据挖掘向导 102
4.3.3 创建MovieClick的数据挖掘结构和模型 106
4.3.4 使用数据挖掘设计器 110
4.4 处理 113
4.5 使用模型 115
4.5.1 掌握模型查看器 115
4.5.2 使用挖掘准确性图表 118
4.5.3 在MovieClick上建立提升图 121
4.5.4 使用【挖掘模型预测】窗口 123
4.5.5 创建数据挖掘报告 124
第5章 关联规则 125
5.1 关联规则简介 125
5.1.1 购物篮分析 126
5.1.2 关联规则挖掘路线 127
5.2 关联规则挖掘算法 128
5.2.1 Apriori算法：使用候选项集找频繁项集 128
5.2.2 由频繁项集产生关联规则 130
5.2.3 提高Apriori的有效性 131
5.3 Microsoft关联规则挖掘模型简介 133
5.4 Microsoft关联规则挖掘模型的使用 134
5.4.1 挖掘问题的提出 134
5.4.2 数据准备 135
5.4.3 挖掘模型简介 137
5.4.4 挖掘操作流程 138
5.4.5 挖掘结果分析 147
第6章 分类和预测 148
6.1 分类与预测的内涵 148
6.2 有关分类和预测的若干问题 150
6.3 基于决策树的分类 151
6.3.1 决策树生成算法 152
6.3.2 树剪枝 155
6.3.3 由决策树提取分类规则 157
6.4 Microsoft决策树挖掘模型简介 158
6.5 Microsoft决策树挖掘模型的使用 159
6.5.1 挖掘问题的提出 160
6.5.2 数据准备 160
6.5.3 挖掘模型简介 161
6.5.4 挖掘操作流程 161
6.5.5 挖掘结果分析 169
6.6 贝叶斯分类 169
6.6.1 贝叶斯定理 170
6.6.2 朴素贝叶斯定理 170
6.6.3 Microsoft贝叶斯挖掘模型简介 172
6.6.4 Microsoft贝叶斯挖掘模型的使用 172
6.6.5 挖掘结果分析 174
6.7 神经网络 175
6.7.1 神经网络概述 175
6.7.2 前馈神经网络 176
6.7.3 Microsoft神经网络挖掘模型简介 180
6.7.4 挖掘操作流程 181
6.7.5 挖掘结果分析 183
第7章 聚类分析 185
7.1 聚类的概念 185
7.2 聚类分析中的数据类型 187
7.2.1 区间标度（Interval-Scaled）变量 188
7.2.2 二元（Binary）变量 188
7.2.3 标称型、序数型和比例标度型变量 188
7.2.4 混合类型的变量 189
7.3 主要聚类方法的分类 190
7.3.1 划分方法 190
7.3.2 层次方法 193
7.3.3 基于密度的方法 195
7.3.4 基于网格的方法 197
7.3.5 基于模型的方法 198
7.4 Microsoft聚类挖掘模型简介 199
7.4.1 典型的划分方法 199
7.4.2 算法参数 202
7.5 Microsoft聚类挖掘模型的使用 205
7.5.1 挖掘问题的提出 206
7.5.2 数据准备 206
7.5.3 挖掘模型简介 207
7.5.4 挖掘操作流程 207
7.5.5 挖掘结果分析 211
第8章 时序和序列数据的挖掘 214
8.1 时序数据的挖掘 214
8.1.1 时序分析中的相似性搜索 214
8.1.2 Microsoft时序分析挖掘模型简介 217
8.1.3 Microsoft时序分析挖掘模型的使用 220
8.2 序列数据聚类 221
8.2.1 Microsoft顺序分析挖掘模型简介 222
8.2.2 Microsoft顺序分析挖掘模型的使用 225
第9章 数据挖掘的应用和发展趋势 227
9.1 数据挖掘的应用 227
9.1.1 针对生物医学和DNA数据分析的数据挖掘 227
9.1.2 针对金融数据分析的数据挖掘 229
9.1.3 零售业中的数据挖掘 230
9.1.4 电信业中的数据挖掘 231
9.2 数据挖掘系统产品和研究原型 231
9.2.1 怎样选择一个数据挖掘系统 232
9.2.2 商用数据挖掘系统的例子 234
9.3 数据挖掘的其他主题 234
9.3.1 视频和音频数据挖掘 235
9.3.2 科学和统计数据挖掘 235
9.3.3 数据挖掘的理论基础 236
9.3.4 数据挖掘和智能查询应答 237
9.4 数据挖掘的社会影响 238
9.5 数据挖掘的发展趋势 242
参考文献 244