數據倉庫與數據挖掘技術

《高等院校信息管理與信息系統專業系列教材：數據倉庫與數據挖掘技術》主要介紹數據倉庫和數據挖掘技術的基本概念、相關技術和應用案例及方法。《高等院校信息管理與信息系統專業系列教材：數據倉庫與數據挖掘技術》共分為9章，主要包括：數據倉庫與數據挖掘的概念和體系結構、數據倉庫開發模型、etl技術、olap技術、商務智能系統、數據預處理技術、數據挖掘技術、數據倉庫開發實例、報表設計等內容。《高等院校信息管理與信息系統專業系列教材：數據倉庫與數據挖掘技術》各章節的案例均使用microsoftsqlserver2005進行操作實踐講解。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。《高等院校信息管理與信息系統專業系列教材：數據倉庫與數據挖掘技術》適合作為高等院校本科學生的教材，也可供企業信息化管理人員、技術人員以及軟件開發人員閲讀參考。 ^[1] 

第一章 數據倉庫與數據挖掘概述

1.1 數據倉庫的產生與發展

1.1.1 數據倉庫的產生

1.1.2 數據倉庫的發展

1.1.3 數據倉庫的研究與開發現狀

1.1.4 數據倉庫的作用

1.2 數據倉庫的基本概念

1.2.1 數據倉庫的定義與基本特性

1.2.2 數據倉庫與數據庫的區別

1.2.3 數據倉庫數據的組織架構

1.3 數據倉庫的體系結構

1.3.1 虛擬的數據倉庫體系結構

1.3.2 單獨的數據倉庫體系結構

1.3.3 單獨的數據集市體系結構

1.3.4 分佈式數據倉庫結構

1.4 數據倉庫的相關概念

1.4.1 數據源

1.4.2 數據的存儲層

1.4.3 olap服務器

1.4.4 前端工具

1.5 數據挖掘技術概述

1.5.1 數據挖掘技術產生的背景

1.5.2 數據挖掘的基本概念

1.5.3 數據挖掘的對象

1.5.4 數據挖掘功能

1.5.5 數據挖掘與傳統分析方法的區別

1.5.6 數據倉庫與數據挖掘的關係

1.5.7 數據挖掘的發展趨勢

1.6 數據挖掘過程

1.6.1 fayyad過程模型

1.6.2 crisp-dm過程模型

1.6.3 其他數據挖掘過程模型

1.7 常用的數據挖掘技術

1.8 小結

1.9 習題

第2章 數據倉庫開發模型

2.1 數據倉庫開發模型概述

2.2 數據倉庫的概念模型

2.2.1 企業模型的建立

2.2.2 規範的數據模型

2.2.3 常見的概念模型

2.3 數據倉庫的邏輯模型

2.3.1 事實表模型設計

2.3.2 維度表模型設計

2.4 數據倉庫的物理模型

2.4.1 物理模型的設計要點

2.4.2 數據倉庫物理模型的存儲結構

2.4.3 數據倉庫物理模型的索引構建

2.4.4 數據倉庫物理模型的優化問題

2.5 數據倉庫的元數據模型

2.5.1 元數據的類型

2.5.2 元數據的作用

2.5.3 元數據的收集與維護

2.5.4 元數據的使用

2.5.5 元數據管理模型

2.6 數據倉庫的粒度和聚集模型

2.6.1 數據倉庫粒度模型

2.6.2 數據倉庫聚集模型與數據分割

2.7 小結

2.8 習題

第3章 etl技術

3.1 etl相關概念

3.1.1 數據理解

3.1.2 數據抽取

3.1.3 數據清洗

3.1.4 數據轉換

3.1.5 數據加載

3.2 etl過程建模

3.2.1 etl系統面臨的挑戰

3.2.2 etl過程描述

3.2.3 etl概念模型

3.2.4 etl邏輯模型

3.3 etl增量抽取機制

3.4 etl過程數據質量控制

3.4.1 數據質量問題分類

3.4.2 數據質量控制技術

3.5 etl並行處理技術

3.6 小結

3.7 習題

第4章 olap技術

4.1 olap概述

4.1.1 olap的定義

4.1.2 數據倉庫與數據分析的關係

4.1.3 多維分析的基本概念

4.1.4 olap的多維數據分析

4.1.5 olap與oltp的比較

4.2 多維數據庫及其存儲

4.2.1 多維數據庫

4.2.2 多維數據庫的數據存儲

4.2.3 多維數據庫與數據倉庫

4.3 olap的類型

4.3.1 多維olap

4.3.2 關係olap

4.3.3 混合型olap

4.3.4 molap與rolap的比較

4.4 olap的體系結構

4.5 olap中的索引技術

4.5.1 b-tree索引

4.5.2 位圖索引

4.5.3 位圖索引的擴展--標識符索引

4.5.4 索引性能比較

4.5.5 索引的選擇

4.6 olap的評價標準

4.6.1 olap的衡量標準

4.6.2 olap服務器和工具的評價標準

4.7 olap的前端展現

4.7.1 olap工具

4.7.2 olap結果的展現方法

4.8 小結

4.9 習題

第5章 商務智能系統

5.1 商務智能概述

5.1.1 商務智能的概念

5.1.2 商務智能的發展歷程

5.1.3 商務智能的商業效益

5.2 商務智能系統架構

5.2.1 商務智能系統的核心技術

5.2.1 商務智能的體系結構

5.3 商務智能系統的功能

5.4 商務智能系統的應用

5.4.1 商務智能系統特點

5.4.2 我國商務智能系統應用現狀分析

5.5 小結

5.6 習題

第6章 數據預處理技術

6.1 數據預處理概述

6.1.1 數據預處理的必要性

6.1.2 數據預處理的基本方法

6.1.3 數據預處理的研究現狀

6.2 數據清理

6.2.1 填充缺失值

6.2.2 光滑噪聲數據

6.2.3 數據清理過程

6.3 數據集成

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 屬性子集選擇

6.5.3 維度歸約

6.5.4 數值歸約

6.5.5 數據離散化與概念分層

6.6 小結

6.7 習題

第7章 數據挖掘技術

7.1 概念描述

7.1.1 概念描述的生成過程

7.1.2 概念分層與數據泛化

7.1.3 概念分層方法

7.1.4 數據泛化方法

7.1.5 泛化的表示

7.1.6 屬性相關分析

7.1.7 區別性描述

7.2 關聯規則

7.2.1 關聯規則相關概念

7.2.2 關聯規則挖掘步驟

7.2.3 關聯規則分類

7.2.4 關聯規則的算法

7.3 數據分類

7.3.1 數據分類的基本步驟與評價準則

7.3.2 決策樹

7.3.3 貝葉斯分類

7.3.4 神經網絡方法

7.3.5 近鄰分類方法

7.4 數據聚類

7.4.1 聚類分析概述

7.4.2 聚類算法的分類及其典型算法

7.4.3 聚類分析中的相似度度量方法

7.4.4 聚類分析中的聚類準則函數

7.4.5 k-means聚類算法

7.5 遺傳算法

7.5.1 遺傳算法的基本術語

7.5.2 遺傳算法的執行過程

7.5.3 遺傳算法應用舉例

7.5.4 遺傳算法的基本要素

7.5.5 遺傳算法的特點及應用領域

7.6 粗糙集

7.6.1 粗糙集理論的相關概念

7.6.2 粗糙集的應用舉例

7.6.3 粗糙集理論研究的對象及特點

7.7 小結

7.8 習題

第8章 數據倉庫開發實例

8.1 sql server 2005所提供的數據倉庫功能

8.1.1 sql server 2005 integratioservices

8.1.2 sql server 2005 analysis services

8.1.3 sql server 2005 dw工具

8.2 福馬特商店銷售分析數據倉庫系統的分析與設計

8.3 數據倉庫的實現

8.3.1 sql server的數據倉庫創建

8.3.2 olap的實施

8.3.3 數據倉庫中的數據挖掘

8.4 數據倉庫的應用與管理

8.4.1 數據倉庫的用户

8.4.2 數據倉庫應用案例

8.4.3 數據倉庫的運行技術管理

8.4.4 數據倉庫應用中的法律問題

8.4.5 數據倉庫的成本與效益分析

8.5 小結

8.6 習題

第9章 報表設計

9.1 報表概述

9.1.1 報表結構

9.1.2 傳遞報表

9.1.3 report server功能結構

9.1.4 report services的組成部分

9.2 報表嚮導製作報表

9.2.1 嚮導製作報表

9.2.2 報表設計器

9.2.3 部署報表

9.3 編輯製作報表

9.3.1 新建報表項目

9.3.2 新建數據集

9.3.3 報表格式設計

9.3.4 分組

9.3.5 鑽取功能

9.3.6 文檔結構圖

9.4 矩陣式報表

9.4.1 數據集建立

9.4.2 矩陣佈局

9.4.3 矩形佈局

9.4.4 摺疊結構

9.5 統計圖表

9.5.1 圖表元素

9.5.2 柱形圖

9.5.3 折線圖

9.5.4 餅圖

9.5.5 圓環圖

9.6 主體的多列

9.7 小結

9.8 實驗

參考文獻