●第1章概述
1.1初識數據倉庫
1.1.1數據倉庫的產生過程
1.1.2數據倉庫的體繫結構
1.1.3數據倉庫的關鍵技術
1.2初識數據挖掘
1.2.1數據挖掘對像
1.2.2數據挖掘過程
1.2.3數據挖掘方法
1.3數據倉庫與數據挖掘的關繫
1.4數據倉庫與數據挖掘工具
1.5圖書館為什麼需要數據倉庫與數據挖掘
第2章數據倉庫
2.1數據倉庫概述
2.2數據倉庫與數據庫的區別
2.3數據倉庫數據組織結構
2.4數據倉庫開發過程
2.4.1規劃分析階段
2.4.2設計實現階段
2.4.3使用維護階段
2.5案例：利用SQLServer2012創建數據倉庫
2.5.1概念模型設計
2.5.2邏輯模型設計
2.5.3物理模型設計
第3章數據抽取轉換加載
3.1ETL過程
3.1.1數據抽取
3.1.2數據轉換
3.1.3數據加載
3.2T-SQL語句
3.2.1數據定義語句
3.2.2數據控制語句
3.2.3數據操縱語句
3.3SSIS服務
3.3.1SSIS工具箱
3.3.2SSIS包
3.4案例：利用SQLServer2012抽取、轉換及加載數據
3.4.1數據抽取
3.4.2數據清理、轉換
3.4.3數據加載
第4章聯機分析處理
4.1聯機分析處理特性及評價
4.1.1OLAP特性
4.1.2OLAP評價準則
4.2OLAP的一些基本概念
4.3OLAP的基本操作
4.4案例：利用SQLServer2012創建OLAP立方
4.4.1建立數據源
4.4.2創建數據源視圖
4.4.3根據向導創建多維數據集
4.4.4修改Cube中的維度和度量
4.4.5部署項目
4.4.6分析多維數據集
第5章關聯規則
5.1基本概念
5.2關聯規則的分類
5.3Apriori算法
5.3.1Apriori性質
5.3.2Apriori算法步驟
5.3.3Apriori算法示例
5.4Microsoft關聯規則算法
5.4.1Microsoft關聯規則算法的參數
5.4.2Microsoft關聯規則算法的要求
5.5案例：利用SQLServer2012進行Microsoft關聯規則挖掘
5.5.1數據準備
5.5.2實現挖掘任務
5.5.3瀏覽模型
5.5.4關聯預測
第6章分類
6.1決策樹算法
6.1.1基本概念
6.1.2ID3算法
6.1.3ID3算法示例
6.1.4由決策樹提取分類規則
6.1.5Microsoft決策樹算法
6.2貝葉斯分類算法
6.2.1貝葉斯分類的基礎——貝葉斯定理
6.2.2樸素貝葉斯分類器
6.2.3樸素貝葉斯分類示例
6.2.4MicrosoftNaiveBayes算法
6.3神經網絡算法
6.3.1生與人
6.3.2神經網絡的激發函數
6.3.3多層感知器
6.3.4Microsoft神經網絡算法
6.4邏輯回歸算法
6.4.1邏輯回歸算法概述
6.4.2Microsoft邏輯回歸算法
6.5案例：利用SQLServer2012進行分類挖掘
6.5.1數據準備
6.5.2實現挖掘任務
6.5.3瀏覽模型
6.5.4挖掘性能分析
第7章聚類
7.1聚類分析
7.1.1聚類分析中的數據結構
7.1.2聚類分析中的數據類型
7.2[k]-平均算法
7.3EM算法
7.4Microsoft聚類算法
7.4.1Microsoft聚類算法的參數
7.4.2Microsoft聚類算法的要求
7.5案例：利用SQLServer2012進行Microsoft聚類分析挖掘
7.5.1數據準備7.5.2實現挖掘任務
7.5.3瀏覽模型
第8章線性回歸
8線性回歸
8線性回歸
8.3Microsoft線性回歸算法
8.3.1Microsoft線性回歸算法的參數
8.3.2Microsoft線性回歸算法的要求
8.4案例：利用SQLServer2012進行Microsoft線性回歸挖掘
8.4.1數據準備
8.4.2實現挖掘任務
8.4.3瀏覽模型
第9章時序
9.1基本概念
9.2簡單平均法
9.3移動平均法
9.3.1簡單移動平均
9.3.2加移動平均
9.4指數平滑法
9.4.1簡單指數平滑法
9.4.2考慮趨勢調整的指數平滑法
9.4.3考慮季節性調整的指數平滑法
9.5ARIMA模型
9.5.1平穩時間序列ARIMA模型的一般形式
9.5.2非平穩時間序列ARIMA模型的一般形式
9.5.3方法性工具
9.6ARIMA模型示例
9.7Microsoft時序算法
9.7.1Microsoft時序算法的參數
9.7.2Microsoft時序算法的要求
9.8案例：利用SQLServer2012進行Microsoft時序算法挖掘
9.8.1數據準備
9.8.2實現挖掘任務
9.8.3瀏覽模型
