●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