SQL Server 2005 数据挖掘实例分析 PDF下载

编辑推荐

暂无

内容简介

数据挖掘的目的在于使用所发现的模式帮助解释当前的行为或预测未来的结果。数据挖掘过程涉及下列7个研究方面：数据仓库及OLAP技术、数据预处理、使用SQL Server Data Mining、关联规则、分类和预测、聚类分析及时序和序列数据的挖掘。

　　本书对数据挖掘和知识发现的各个方面都进行了必要的解说，侧重于用SSAS进行数据挖掘模型的建立、挖掘结果的分析与检验，以及解释与验证结果。本书对主要的挖掘技术提供了详细的SQL Server 2005数据挖掘的实例，读者通过案例来实验性地建立和检验数据挖掘模型。

　　本书适合希望学习SQL Server 2005数据挖掘技术的读者，可以作为数据挖掘工程师的参考用书。本书适合作为高校教学数据挖掘的教程，也是公司培训不可多得的参考用书。

作者简介

暂无

SQL Server 2005 数据挖掘实例分析 PDF下载

前言
第1章　数据挖掘基本知识　
　1.1　数据挖掘的概念　
　1.2　数据挖掘的存储对象　
　1.3　基本数据挖掘任务　
　1.4　数据挖掘系统的分类　
　1.5　数据挖掘的主要问题　
第2章　数据仓库及OLAP技术　
　2.1　数据仓库的概念　
　2.2　多维数据模型　
　2.3　数据仓库的系统结构
　2.4　数据仓库实现
　2.5　数据方技术的进一步发展
　2.6　由数据仓库到数据挖掘前言<；br>；第1章　数据挖掘基本知识　<；br>；　1.1　数据挖掘的概念　<；br>；　1.2　数据挖掘的存储对象　<；br>；　1.3　基本数据挖掘任务　<；br>；　1.4　数据挖掘系统的分类　<；br>；　1.5　数据挖掘的主要问题　<；br>；第2章　数据仓库及OLAP技术　<；br>；　2.1　数据仓库的概念　<；br>；　2.2　多维数据模型　<；br>；　2.3　数据仓库的系统结构<；br>；　2.4　数据仓库实现<；br>；　2.5　数据方技术的进一步发展<；br>；　2.6　由数据仓库到数据挖掘<；br>；第3章　数据预处理<；br>；　3.1　数据预处理的重要性<；br>；　3.2　数据集成与转换<；br>；　3.3　数据消减<；br>；　3.4　离散化和概念层次树生成<；br>；第4章　使用SQL Server2005进行数据挖掘<；br>；　4.1　关于Business Intelligence Development Studio<；br>；　4.2　对数据源进行设置　<；br>；　4.3　创建和编辑模型<；br>；　4.4　处理<；br>；　4.5　使用模型<；br>；第5章　关联规则　<；br>；第6章　分类和预测<；br>；第7章　聚类分析<；br>；第8章　时序和序列数据的挖掘<；br>；第9章　数据挖掘的应用和发展趋势<；br>；参考文献

免费在线读

第1章　数据挖掘基本知识
数据挖掘作为一个新兴的多学科交叉应用领域，正在各行各业的决策支持活动中扮演着越来越重要的角色。本章将从数据管理技术演化的角度介绍数据挖掘的由来、作用和意义。同时还将介绍数据挖掘系统的结构、数据挖掘所获得的知识种类，以及数据挖掘系统的分类。最后还简要介绍了当前数据挖掘领域尚存在的一些热点问题。
　本章内容包括：
数据挖掘的概念
数据挖掘的存储对象
基本数据挖掘任务
数据挖掘系统的分类
数据挖掘的主要问题
　　1.1　数据挖掘的概念
数据挖掘，比较公认的定义是W.J.Frawley、G.PiantetskyShapir0等人提出来的；数据挖掘就是从大型数据库的数据中提取人们感兴趣的知识。这些知识是隐含的、实现未知的潜在的有用信息，提取的知识表示为概念、规则、规律、模式等形式。
这里把数据挖掘的对象定义为数据库，更广义的说法是：数据挖掘意味着在一些事实或者观察数据的集合中寻找模式的决策支持过程。数据挖掘的对象不仅可以是数据库，也可以是文件系统，或者其他任何组织在一起的数据几何，例如WWw信息资源。本书在讨论数据挖掘时采用数据库观点，即着重强调大型数据库（SQL Server 2005）中有效的和可规模化的数据挖掘技术。一个算法是可以规模化的，对于给定的内存和磁盘空间等可利用的系统资源，其运行时间随数据库大小线性增长。通过数据挖掘，可以从数据库提取有趣的知识、规律或高层次信息，并可以从不同角度观察或浏览。发现的知识可以用于决策、过程控制、信息管理、查询处理等。因此，数据挖掘被信息产业界认为是数据库系统重要的前沿之一，是信息产业最有前途的交叉学科。
随着数据库技术的迅速发展以及数据库管理系统的广泛应用，人们积累的数据越来越多。激增的数据背后隐藏着许多重要的信息，人们希望能够对其进行更高层次的分析，以便更好地利用这些数据。目前的数据库系统可以高效地实现数据的录入、查询、统计等功能，但无法发现数据中存在的关系和规则，无法根据现有的数据预测未来的发展趋势。缺乏挖掘数据背后隐藏的知识的手段，导致了“数据爆炸但知识贫乏”的现象。
　……