數據倉庫與數據挖掘（第三版）
陳誌泊、王春玲、韓慧、王建新、孫俏、聶耿青
- 出版商: 清華大學
- 出版日期: 2026-02-01
- 售價: $414
- 語言: 簡體中文
- 頁數: 245
- ISBN: 730270810X
- ISBN-13: 9787302708100
-
相關分類:
Data-mining
下單後立即進貨 (約4週~6週)
相關主題
商品描述
"《數據倉庫與數據挖掘》主要介紹數據倉庫和數據挖掘技術的基本原理和應用方法。全書共分為12章，主要內容包括數據倉庫的概念與體系結構、數據倉庫的數據存儲與處理、數據倉庫系統的設計與開發、關聯規則、數據分類、數據聚類、貝葉斯網絡、粗糙集、神經網絡、遺傳算法、統計分析、文本和Web挖掘。 《數據倉庫與數據挖掘》既重視理論知識的講解，又強調應用技能的培養。每章首先介紹算法的主要思想和理論基礎，之後利用算法去解決實例中給出的任務，而且對於數據倉庫的組建方法和多數章節中的數據挖掘算法，書中都使用Microsoft SQL Server 2019進行了操作實現。通過對具體實例的學習和實踐，使讀者掌握數據倉庫和數據挖掘中必要的知識點，達到學以致用的目的。 《數據倉庫與數據挖掘》每章均配有習題，習題豐富，可以幫助讀者進一步掌握和鞏固所學知識。此外，本書提供多媒體教學課件和習題參考答案，讀者可到清華大學出版社網站下載。 本書可作為高等學校計算機及相關專業本科生、研究生“數據倉庫和數據挖掘”課程的教材，也可供相關領域的廣大科技工作者和高校師生參考。 "
目錄大綱
C O N T E N T S
目錄
第1章數據倉庫的概念與體系結構
1.1數據倉庫的概念、特點與組成
1.1.1數據倉庫的特點
1.1.2數據倉庫的組成
1.2數據挖掘的概念與方法
1.2.1數據挖掘的分析方法
1.2.2數據倉庫與數據挖掘的關系
1.3數據倉庫的技術、方法與產品
1.3.1OLAP技術
1.3.2數據倉庫實施的關鍵環節和技術
1.3.3數據倉庫實施方法論
1.3.4常用的數據倉庫產品
1.4數據倉庫系統的體系結構
1.4.1獨立的數據倉庫體系結構
1.4.2基於獨立數據集市的數據倉庫體系結構
1.4.3基於依賴型數據集市和操作型數據存儲的數據倉庫
體系結構
1.4.4基於邏輯型數據集市和實時數據倉庫的體系結構
1.5數據倉庫的產生、發展與未來
1.5.1數據倉庫的產生
1.5.2數據倉庫的發展
1.5.3數據倉庫的未來
1.5.4新一代數據倉庫技術
1.6小結
1.7習題
第2章數據倉庫的數據存儲與處理
2.1數據倉庫的數據結構
2.2數據倉庫的數據特征
2.2.1狀態數據與事件數據
2.2.2當前數據與周期數據
2.2.3元數據
2.3數據倉庫的數據ETL過程
2.3.1ETL的目標
2.3.2ETL過程描述
2.3.3數據抽取
2.3.4數據清洗
2.3.5數據轉換
2.3.6數據加載和索引
2.4多維數據模型
2.4.1多維數據模型及其相關概念
2.4.2多維數據模型的實現
2.4.3多維建模技術
2.4.4星形模式舉例
2.5小結
2.6習題
第3章數據倉庫系統的設計與開發
3.1數據倉庫系統的設計與開發概述
3.1.1建立數據倉庫系統的步驟
3.1.2數據倉庫系統的生命周期
3.1.3數據倉庫系統的開發方法論
3.1.4數據倉庫數據庫的設計步驟
3.2基於SQL Server 2019的數據倉庫數據庫設計
3.2.1分析組織的業務狀況及數據源結構
3.2.2組織需求調研，收集分析需求
3.2.3采用信息包圖法設計數據倉庫的概念模型
3.2.4利用星形圖設計數據倉庫的邏輯模型
3.2.5數據倉庫的物理模型設計
3.3使用SQL Server 2019建立多維數據模型
3.3.1SQL Server 2019示例數據倉庫環境的配置與使用
3.3.2基於SQL Server 2019示例數據庫建立多維數據模型
3.4小結
3.5習題
第4章關聯規則
4.1概述
4.2引例
4.3經典算法
4.3.1Apriori算法
4.3.2FPgrowth算法
4.4相關研究與應用
4.4.1分類
4.4.2SQL Server 2019中的關聯規則應用
4.5小結
4.6習題
第5章數據分類
5.1引例
5.2分類問題概述
5.2.1分類的過程
5.2.2分類的評價準則
5.3決策樹
5.3.1決策樹的基本概念
5.3.2決策樹算法ID3
5.3.3ID3算法應用舉例
5.3.4決策樹算法C4.5
5.3.5SQL Server 2019中的決策樹應用
5.3.6決策樹剪枝
5.4支持向量機
5.5近鄰分類方法
5.5.1最近鄰分類方法
5.5.2k近鄰分類方法
5.5.3近鄰分類方法應用舉例
5.6小結
5.7習題
第6章數據聚類
6.1引例
6.2聚類分析概述
6.3聚類分析中相似度的計算方法
6.3.1連續型屬性的相似度計算方法
6.3.2二值離散型屬性的相似度計算方法
6.3.3多值離散型屬性的相似度計算方法
6.3.4混合類型屬性的相似度計算方法
6.4Kmeans聚類算法
6.4.1Kmeans聚類算法的基本概念
6.4.2SQL Server 2019中的Kmeans應用
6.5層次聚類方法
6.5.1層次聚類方法的基本概念
6.5.2層次聚類方法應用舉例
6.6小結
6.7習題
第7章貝葉斯網絡
7.1引例
7.2貝葉斯概率基礎
7.2.1先驗概率、後驗概率和條件概率
7.2.2條件概率公式
7.2.3全概率公式
7.2.4貝葉斯公式
7.3貝葉斯網絡概述
7.3.1貝葉斯網絡的組成和結構
7.3.2貝葉斯網絡的優越性
7.3.3貝葉斯網絡的三個主要議題
7.4貝葉斯網絡的預測、診斷和訓練算法
7.4.1概率和條件概率數據
7.4.2貝葉斯網絡的預測算法
7.4.3貝葉斯網絡的診斷算法
7.4.4貝葉斯網絡預測和診斷的綜合算法
7.4.5貝葉斯網絡的建立和訓練算法
7.5SQL Server 2019中的貝葉斯網絡應用
7.6小結
7.7習題
第8章粗糙集
8.1引例
8.2分類與知識
8.2.1等價關系和等價類
8.2.2分類
8.3粗糙集概述
8.3.1分類的運算
8.3.2分類的表達能力
8.3.3上近似集和下近似集
8.3.4正域、負域和邊界
8.3.5粗糙集應用舉例
8.3.6粗糙集的性質
8.4辨識知識的簡化
8.4.1集合近似度的度量
8.4.2分類近似的度量
8.4.3等價關系的可省略、獨立和核
8.4.4等價關系簡化舉例
8.4.5知識的相對簡化
8.4.6知識的相對簡化舉例
8.5決策規則簡化
8.5.1知識依賴性的度量
8.5.2簡化決策規則
8.5.3可辨識矩陣
8.6小結
8.7習題
第9章神經網絡
9.1引例
9.2人工神經網絡
9.2.1人工神經網絡概述
9.2.2神經元模型
9.2.3網絡結構
9.3BP算法
9.3.1網絡結構和數據示例
9.3.2有序導數
9.3.3計算誤差信號對參數的有序導數
9.3.4梯度下降
9.3.5BP算法描述
9.4SQL Server 2019中的神經網絡應用
9.5小結
9.6習題
第10章遺傳算法
10.1遺傳算法概述
10.2相關概念
10.3基本步驟
10.3.1概述
10.3.2引例
10.4算法設計
10.4.1編碼方式
10.4.2種群規模
10.4.3適應度函數
10.4.4遺傳算子
10.4.5終止條件
10.5相關研究與應用
10.6小結
10.7習題
第11章統計分析
11.1線性回歸模型
11.1.1線性回歸模型的參數估計
11.1.2線性回歸方程的判定系數
11.1.3線性回歸方程的檢驗
11.1.4統計軟件中的線性回歸分析
11.1.5SQL Server 2019中的線性回歸應用
11.2Logistic回歸模型
11.2.1Logistic回歸模型的參數估計
11.2.2統計軟件中Logistic回歸的結果分析
11.2.3SQL Server 2019中的Logistic回歸應用
11.3時間序列模型
11.3.1ARIMA模型
11.3.2建立ARIMA模型的步驟
11.3.3使用統計軟件估計ARIMA模型
11.3.4SQL Server 2019中的時間序列分析
11.4小結
11.5習題
第12章文本和Web挖掘
12.1引例
12.2文本挖掘
12.2.1文本信息檢索概述
12.2.2基於關鍵字的關聯分析
12.2.3文檔自動聚類
12.2.4自動文檔分類
12.2.5自動摘要
12.3Web挖掘
12.3.1Web內容挖掘
12.3.2Web結構挖掘
12.3.3Web使用挖掘
12.4小結
12.5習題
參考文獻
