数据仓库与数据挖掘概念、方法及图书馆应用 PDF下载

第1章　概述 ； 1.1　初识数据仓库 ；  ； 1.1.1　数据仓库的产生过程 ；  ； 1.1.2　数据仓库的体系结构 ；  ； 1.1.3　数据仓库的关键技术 ； 1.2　初识数据挖掘 ；  ； 1.2.1　数据挖掘对象 ；  ； 1.2.2　数据挖掘过程 ；  ； 1.2.3　数据挖掘方法 ； 1.3　数据仓库与数据挖掘的关系 ； 1.4　数据仓库与数据挖掘工具 ； 1.5　图书馆为什么需要数据仓库与数据挖掘第2章　数据仓库 ； 2.1　数据仓库概述 ； 2.2　数据仓库与数据库的区别 ； 2.3　数据仓库数据组织结构 ； 2.4　数据仓库开发过程 ；  ； 2.4.1　规划分析阶段 ；  ； 2.4.2　设计实现阶段 ；  ； 2.4.3　使用维护阶段 ； 2.5　案例：利用SQL Server 2012创建数据仓库 ；  ； 2.5.1　概念模型设计 ；  ； 2.5.2　逻辑模型设计 ；  ； 2.5.3　物理模型设计第3章　数据抽取转换加载 ； 3.1　ETL过程 ；  ； 3.1.1　数据抽取 ；  ； 3.1.2　数据转换 ；  ； 3.1.3　数据加载 ； 3.2　T-SQL语句 ；  ； 3.2.1　数据定义语句 ；  ； 3.2.2　数据控制语句 ；  ； 3.2.3　数据操纵语句 ； 3.3　SSIS服务 ；  ； 3.3.1　SSIS工具箱 ；  ； 3.3.2　SSIS包 ； 3.4　案例：利用SQL Server 2012抽取、转换及加载数据 ；  ； 3.4.1　数据抽取 ；  ； 3.4.2　数据清理、转换3.4.3　数据加载第4章　联机分析处理 ； 4.1　联机分析处理特性及评价 ；  ； 4.1.1　OLAP特性 ；  ； 4.1.2　OLAP评价准则 ； 4.2　OLAP的一些基本概念 ； 4.3　OLAP的基本操作 ； 4.4　案例：利用SQL Server 2012创建OLAP立方 ；  ； 4.4.1　建立数据源 ；  ； 4.4.2　创建数据源视图 ；  ； 4.4.3　根据向导创建多维数据集 ；  ； 4.4.4　修改Cube中的维度和度量 ；  ； 4.4.5　部署项目 ；  ； 4.4.6　分析多维数据集第5章　关联规则 ； 5.1　基本概念 ； 5.2　关联规则的分类 ； 5.3　Apriori算法 ；  ； 5.3.1　Apriori性质 ；  ； 5.3.2　Apriori算法步骤 ；  ； 5.3.3　Apriori算法示例 ； 5.4　Microsoft关联规则算法 ；  ； 5.4.1　Microsoft关联规则算法的参数 ；  ；5.4.2　Microsoft关联规则算法的要求 ；5.5　案例：利用SQL Server 2012进行Microsoft关联规则挖掘 ；  ；5.5.1　数据准备 ；  ；5.5.2　实现挖掘任务 ；  ；5.5.3　浏览模型 ；  5.5.4　关联预测第6章　分类  6.1　决策树算法   6.1.1　基本概念   6.1.2　ID3算法   6.1.3　ID3算法示例   6.1.4　由决策树提取分类规则   6.1.5　Microsoft决策树算法 6.2　贝叶斯分类算法   6.2.1　贝叶斯分类的基础——贝叶斯定理   6.2.2　朴素贝叶斯分类器   6.2.3　朴素贝叶斯分类示例   6.2.4　Microsoft Naive Bayes算法6.3　神经网络算法   6.3.1　生物神经元与人工神经元   6.3.2　神经网络的激发函数   6.3.3　多层感知器   6.3.4　Microsoft神经网络算法 6.4　逻辑回归算法   6.4.1　逻辑回归算法概述   6.4.2　Microsoft逻辑回归算法 6.5　案例：利用SQL Server 2012进行分类挖掘   6.5.1　数据准备   6.5.2　实现挖掘任务   6.5.3　浏览模型   6.5.4　挖掘性能分析第7章　聚类 7.1　聚类分析   7.1.1　聚类分析中的数据结构   7.1.2　聚类分析中的数据类型 7.2　[k]-平均算法 7.3　EM算法 7.4　Microsoft聚类算法   7.4.1　Microsoft聚类算法的参数   7.4.2　Microsoft聚类算法的要求 7.5　案例：利用SQL Server 2012进行Microsoft聚类分析挖掘   7.5.1　数据准备   7.5.2　实现挖掘任务   7.5.3　浏览模型第8章　线性回归  8.1　一元线性回归  8.2　多元线性回归  8.3　Microsoft线性回归算法    8.3.1　Microsoft线性回归算法的参数    8.3.2　Microsoft线性回归算法的要求  8.4　案例：利用SQL Server 2012进行Microsoft线性回归挖掘    8.4.1　数据准备    8.4.2　实现挖掘任务    8.4.3　浏览模型第9章　时序  9.1　基本概念  9.2　简单平均法  9.3　移动平均法    9.3.1　简单移动平均    9.3.2　加权移动平均  9.4　指数平滑法    9.4.1　简单指数平滑法    9.4.2　考虑趋势调整的指数平滑法    9.4.3　考虑季节性调整的指数平滑法  9.5　ARIMA模型    9.5.1　平稳时间序列ARIMA模型的一般形式    9.5.2　非平稳时间序列ARIMA模型的一般形式    9.5.3　方法性工具  9.6　ARIMA模型示例  9.7　Microsoft时序算法    9.7.1　Microsoft时序算法的参数    9.7.2　Microsoft时序算法的要求  9.8　案例：利用SQL Server 2012进行Microsoft时序算法挖掘    9.8.1　数据准备    9.8.2　实现挖掘任务    9.8.3　浏览模型