滿額折
數據倉庫與數據挖掘（簡體書）
商品資訊
相關商品
商品簡介
目次
商品簡介
本書比較系統地介紹數據倉庫與數據挖掘的理論體系和應用。本書總的指導思想是在掌握基本知識和基本理論的基礎上，強調實際應用能力的培養。全書力求深入淺出，通過通俗的語言及案例分析，介紹數據倉庫及數據挖掘的基本概念及相關理論與方法。從數據倉庫的定義、結構、設計、構建方法及聯機分析處理應用等方面對數據倉庫進行較為詳細的介紹；從數據挖掘的定義、數據預處理、數據挖掘中的常用算法等方面對數據挖掘的基本知識和算法等理論進行介紹。本書強調數據倉庫和數據挖掘工具的應用，重點介紹SQL Server 2005數據倉庫和數據挖掘工具的應用。附錄A詳細介紹一個簡易的數據挖掘工具——Weka，該工具可作為讀者學習數據挖掘時的實驗工具。 本書可作為普通高等學校電子商務、信息管理、計算機應用及其他相關專業的本科教材，也可作為經貿、管理類專業的研究生教材，以及各類管理人員的培訓與自學用書。
目次
第1章 企業數據資源管理
1.1 數據資源的概念
1.1.1 企業資源
1.1.2 數據資源
1.1.3 數據資源管理及其發展歷程
1.2 數據資源管理的意義
1.2.1 信息系統進入成熟階段的重要標志
1.2.2 解決企業內部數據不一致問題的根本途徑
1.2.3 數據資源的管理和應用是取得競爭優勢的關鍵
1.3 信息資源管理的相關技術
1.3.1 數據資源管理的技術框架
1.3.2 技術框架中的構成要素
1.3.3 技術框架中各部分的關聯
1.4 企業通過數據倉庫與數據挖掘獲得競爭優勢
本章小結
思考與練習
第2章 數據倉庫的概念與結構
2.1 數據倉庫的概念
2.1.1 數據倉庫的定義
2.1.2 數據倉庫的特征
2.1.3 數據集市
2.2 數據倉庫系統
2.2.1 數據源
2.2.2 數據倉庫管理層
2.2.3 數據倉庫工具集
2.3 數據倉庫中的數據組織
2.3.1 粒度的概念
2.3.2 面向主題的數據組織
2.3.3 數據分割
2.3.4 元數據的管理
本章小結
思考與練習
第3章 數據倉庫的設計與開發
3.1 數據倉庫的開發過程及特點
3.1.1 數據倉庫開發的生命周期
3.1.2 數據倉庫開發的特點
3.1.3 數據倉庫設計的主要內容
3.2 數據模型設計
3.2.1 概念模型設計
3.2.2 邏輯模型設計
3.2.3 物理模型設計
3.3 數據倉庫的粒度設計
3.3.1 設計步驟
3.3.2 設計原則
3.4 創建數據倉庫的基本步驟
3.4.1 建立運營環境文檔
3.4.2 選擇數據倉庫的實現技術
3.4.3 設計數據倉庫模型
3.4.4 創建數據準備區
3.4.5 創建數據倉庫數據庫
3.4.6 從操作型系統中抽取數據
3.4.7 清理和轉換數據
3.4.8 將數據裝入數據倉庫數據庫
3.4.9 準備顯示信息
3.4.10 將數據分發到數據集市
本章小結
思考與練習
第4章 聯機分析處理
4.1 OLAP的基本概念
4.1.1 OLAP的發展背景
4.1.2 聯機分析處理是數據倉庫系統的一個應用
4.2 OLAP與多維分析
4.2.1 OLAP的一些基本概念
4.2.2 理解數據立方
4.2.3 OLAP的基本分析操作
4.3 OLAP的分類
4.3.1 ROLAP
4.3.2 MOLAP
4.3.3 HOLAP
4.4 OLAP的特性與不足
4.4.1 OLAP的特性
4.4.2 OLAP的不足
4.5 SQL Servei 2005統一維度模型
4.5.1 結構
4.5.2 優點
本章小結
思考與練習
第5章 數據挖掘概述
5.1 數據挖掘技術的由來
5.1.1 信息爆炸但知識貧乏
5.1.2 支持數據挖掘技術的基礎
5.1.3 從商業數據到商業信息的進化
5.1.4 數據挖掘逐漸演變的過程
5.2 數據挖掘的定義
5.2.1 技術角度的定義
5.2.2 商業角度的定義
5.2.3 數據挖掘與傳統分析方法的區別
5.2.4 數據挖掘和數據倉庫
5.2.5 數據挖掘和OLAP
5.2.6 數據挖掘、機器學習和統計
5.3 數據挖掘發現的知識類型
5.3.1 廣義知識
5.3.2 關聯知識
5.3.3 分類知識
5.3.4 預測知識
5.3.5 偏差知識
5.4 數據挖掘流程
5.4.1 知識發現過程
5.4.2 數據挖掘對象
5.4.3 數據挖掘任務
5.4.4 數據挖掘分類
5.4.5 數據預處理
5.5 數據挖掘的方法和技術
5.5.1 信息論方法
5.5.2 集合論方法
5.5.3 神經網絡方法
5.5.4 遺傳算法
5.5.5 模糊數學
5.5.6 公式發現
5.5.7 可視化技術
5.5.8 知識表示
本章小結
思考與練習
第6章 數據預處理
6.1 數據預處理的目的及方法
6.1.1 原始數據中存在的問題
6.1.2 數據預處理的常用方法
6.2 數據清理
6.2.1 處理空缺值
6.2.2 噪聲數據的處理
6.3 數據集成
6.3.1 模式匹配
6.3.2 數據冗余
6.3.3 數據沖突
6.4 數據變換
6.5 數據歸約
6.5.1 數據立方體聚集
6.5.2 維歸約
6.5.3 數據壓縮
6.5.4 數值歸約
6.5.5 離散化和概念分層
本章小結
思考與練習
第7章 數據挖掘中的常用算法
7.1 Apriori算法
7.1.1 基本原理
7.1.2 Apriori算法的基本思想與分析
7.1.3 從頻繁項集產生關聯規則
7.2 決策樹算法
7.2.1 信息論的基本原理
7.2.2 ID3算法
7.2.3 樹剪枝
7.2.4 由決策樹提取分類規則
7.3 神經網絡算法
7.3.1 神經網絡的基本原理
7.3.2 反向傳播模型
7.3.3 定義神經網絡拓撲結構
7.3.4 神經網絡的工作過程
7.4 聚類分析
7.4.1 聚類分析的概念
7.4.2 聚類分析中的數據類型
7.4.3 幾種主要的聚類分析方法
7.4.4 K means聚類分析算法
本章小結
思考與練習
第8章 SQL Server數據倉庫與數據挖掘工具及其應用
8.1 SQL Server 2005的功能構架
8.2 SQL Server數據倉庫設計與數據挖掘準備
8.2.1 SQL Server數據倉庫創建思路
8.2.2 SQL Server數據挖掘過程
8.2.3 案例數據準備
8.3 SQL Server集成服務
8.3.1 SQL Server集成服務的作用
8.3.2 控制流
8.3.3 數據流
8.3.4 設計和使用ETL
8.4 SQL Server分析服務
8.4.1 創建Analysis Services項目
8.4.2 定義數據源
8.4.3 定義數據源視圖
8.4.4 用Analysis Services創建維與多維數據集
8.4.5 部署Analysis Services項目
8.5 SQL Server中的數據挖掘工具與應用
8.6 SQL Server報表服務
8.6.1 創建報表
8.6.2 使用報表
本章小結
思考與練習
附錄A 一個簡易的數據挖掘工具——Weka
參考文獻
1.1 數據資源的概念
1.1.1 企業資源
1.1.2 數據資源
1.1.3 數據資源管理及其發展歷程
1.2 數據資源管理的意義
1.2.1 信息系統進入成熟階段的重要標志
1.2.2 解決企業內部數據不一致問題的根本途徑
1.2.3 數據資源的管理和應用是取得競爭優勢的關鍵
1.3 信息資源管理的相關技術
1.3.1 數據資源管理的技術框架
1.3.2 技術框架中的構成要素
1.3.3 技術框架中各部分的關聯
1.4 企業通過數據倉庫與數據挖掘獲得競爭優勢
本章小結
思考與練習
第2章 數據倉庫的概念與結構
2.1 數據倉庫的概念
2.1.1 數據倉庫的定義
2.1.2 數據倉庫的特征
2.1.3 數據集市
2.2 數據倉庫系統
2.2.1 數據源
2.2.2 數據倉庫管理層
2.2.3 數據倉庫工具集
2.3 數據倉庫中的數據組織
2.3.1 粒度的概念
2.3.2 面向主題的數據組織
2.3.3 數據分割
2.3.4 元數據的管理
本章小結
思考與練習
第3章 數據倉庫的設計與開發
3.1 數據倉庫的開發過程及特點
3.1.1 數據倉庫開發的生命周期
3.1.2 數據倉庫開發的特點
3.1.3 數據倉庫設計的主要內容
3.2 數據模型設計
3.2.1 概念模型設計
3.2.2 邏輯模型設計
3.2.3 物理模型設計
3.3 數據倉庫的粒度設計
3.3.1 設計步驟
3.3.2 設計原則
3.4 創建數據倉庫的基本步驟
3.4.1 建立運營環境文檔
3.4.2 選擇數據倉庫的實現技術
3.4.3 設計數據倉庫模型
3.4.4 創建數據準備區
3.4.5 創建數據倉庫數據庫
3.4.6 從操作型系統中抽取數據
3.4.7 清理和轉換數據
3.4.8 將數據裝入數據倉庫數據庫
3.4.9 準備顯示信息
3.4.10 將數據分發到數據集市
本章小結
思考與練習
第4章 聯機分析處理
4.1 OLAP的基本概念
4.1.1 OLAP的發展背景
4.1.2 聯機分析處理是數據倉庫系統的一個應用
4.2 OLAP與多維分析
4.2.1 OLAP的一些基本概念
4.2.2 理解數據立方
4.2.3 OLAP的基本分析操作
4.3 OLAP的分類
4.3.1 ROLAP
4.3.2 MOLAP
4.3.3 HOLAP
4.4 OLAP的特性與不足
4.4.1 OLAP的特性
4.4.2 OLAP的不足
4.5 SQL Servei 2005統一維度模型
4.5.1 結構
4.5.2 優點
本章小結
思考與練習
第5章 數據挖掘概述
5.1 數據挖掘技術的由來
5.1.1 信息爆炸但知識貧乏
5.1.2 支持數據挖掘技術的基礎
5.1.3 從商業數據到商業信息的進化
5.1.4 數據挖掘逐漸演變的過程
5.2 數據挖掘的定義
5.2.1 技術角度的定義
5.2.2 商業角度的定義
5.2.3 數據挖掘與傳統分析方法的區別
5.2.4 數據挖掘和數據倉庫
5.2.5 數據挖掘和OLAP
5.2.6 數據挖掘、機器學習和統計
5.3 數據挖掘發現的知識類型
5.3.1 廣義知識
5.3.2 關聯知識
5.3.3 分類知識
5.3.4 預測知識
5.3.5 偏差知識
5.4 數據挖掘流程
5.4.1 知識發現過程
5.4.2 數據挖掘對象
5.4.3 數據挖掘任務
5.4.4 數據挖掘分類
5.4.5 數據預處理
5.5 數據挖掘的方法和技術
5.5.1 信息論方法
5.5.2 集合論方法
5.5.3 神經網絡方法
5.5.4 遺傳算法
5.5.5 模糊數學
5.5.6 公式發現
5.5.7 可視化技術
5.5.8 知識表示
本章小結
思考與練習
第6章 數據預處理
6.1 數據預處理的目的及方法
6.1.1 原始數據中存在的問題
6.1.2 數據預處理的常用方法
6.2 數據清理
6.2.1 處理空缺值
6.2.2 噪聲數據的處理
6.3 數據集成
6.3.1 模式匹配
6.3.2 數據冗余
6.3.3 數據沖突
6.4 數據變換
6.5 數據歸約
6.5.1 數據立方體聚集
6.5.2 維歸約
6.5.3 數據壓縮
6.5.4 數值歸約
6.5.5 離散化和概念分層
本章小結
思考與練習
第7章 數據挖掘中的常用算法
7.1 Apriori算法
7.1.1 基本原理
7.1.2 Apriori算法的基本思想與分析
7.1.3 從頻繁項集產生關聯規則
7.2 決策樹算法
7.2.1 信息論的基本原理
7.2.2 ID3算法
7.2.3 樹剪枝
7.2.4 由決策樹提取分類規則
7.3 神經網絡算法
7.3.1 神經網絡的基本原理
7.3.2 反向傳播模型
7.3.3 定義神經網絡拓撲結構
7.3.4 神經網絡的工作過程
7.4 聚類分析
7.4.1 聚類分析的概念
7.4.2 聚類分析中的數據類型
7.4.3 幾種主要的聚類分析方法
7.4.4 K means聚類分析算法
本章小結
思考與練習
第8章 SQL Server數據倉庫與數據挖掘工具及其應用
8.1 SQL Server 2005的功能構架
8.2 SQL Server數據倉庫設計與數據挖掘準備
8.2.1 SQL Server數據倉庫創建思路
8.2.2 SQL Server數據挖掘過程
8.2.3 案例數據準備
8.3 SQL Server集成服務
8.3.1 SQL Server集成服務的作用
8.3.2 控制流
8.3.3 數據流
8.3.4 設計和使用ETL
8.4 SQL Server分析服務
8.4.1 創建Analysis Services項目
8.4.2 定義數據源
8.4.3 定義數據源視圖
8.4.4 用Analysis Services創建維與多維數據集
8.4.5 部署Analysis Services項目
8.5 SQL Server中的數據挖掘工具與應用
8.6 SQL Server報表服務
8.6.1 創建報表
8.6.2 使用報表
本章小結
思考與練習
附錄A 一個簡易的數據挖掘工具——Weka
參考文獻
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。