本书作为一本专家级指南，全面介绍了SQL Server 2005中数据挖掘的功能，并且对这些功能的应用作了较为详尽的讲述。书中不但讲述了数据挖掘的核心概念，还讲述了数据挖掘的最新发展趋势，并给出了一些数据挖掘的最佳实践。

第1章 数据挖掘导论 1

  1.1 什么是数据挖掘 1

  1.2 数据挖掘解决的商业问题 4

  1.3 数据挖掘的任务 5

1.3.1 分类 5

1.3.2 聚类 5

1.3.3 关联 6

1.3.4 回归 6

1.3.5 预测 7

1.3.6 序列分析 7

1.3.7 偏差分析 8

  1.4 数据挖掘技术 8

  1.5 数据流 9

  1.6 数据挖掘项目的生命周期 10

1.6.1 第1步：数据收集 10

1.6.2 第2步：数据清理和转换 10

1.6.3 第3步：模型构建 12

1.6.4 第4步：模型评估 12

1.6.5 第5步：报告 13

1.6.6 第6步：预测(评分) 13

1.6.7 第7步：应用集成 13

1.6.8 第8步：模型管理 13

  1.7 数据挖掘当前市场与主要厂商 14

1.7.1 数据挖掘市场的大小 14

1.7.2 主要生产厂商和产品 14

  1.8 目前存在的问题及挑战 15

  1.9 数据挖掘标准 16

1.10 OLE DB for DM规范和

XML for Analysis规范 16

1.10.1 用于数据挖掘的

SQL/Multimedia 17

1.10.2 Java数据挖掘API 18

1.10.3 预测模型标记语言 20

1.10.4 Crisp-DM模型 23

1.10.5 公共仓库元数据 24

  1.11 数据挖掘的新趋势 25

  1.12 本章小结 26

第2章 OLE DB for DM规范 27

  2.1 OLE DB介绍 27

2.2 为什么使用OLE DB

进行数据挖掘 29

2.3 OLE DB for DM规范

中的基本概念 31

2.3.1 事例 31

2.3.2 事例键 32

2.3.3 嵌套键 32

2.3.4 事例表和嵌套表 33

2.3.5 标量列和表列 33

2.3.6 数据挖掘模型 33

2.3.7 模型创建 33

2.3.8 模型训练 33

2.3.9 模型预测 34

  2.4 DMX 34

2.4.1 数据挖掘的3个步骤 34

2.4.2 预测函数 43

2.4.3 单例查询 50

2.4.4 仅仅使用内容进行预测 51

2.4.5 钻取模型的内容 52

2.4.6 内容查询 52

  2.5 理解模式行集 52

2.5.1 Mining_Services模式行集 53

2.5.2 Service_Parameters模式行集 54

2.5.3 Mining_Models模式行集 54

2.5.4 Mining_Columns模式行集 55

2.5.5 Mining_Model_Content

模式行集 55

2.5.6 Query_Content模式行集 58

2.5.7 Mining_Functions模式行集 59

2.5.8 Model_PMML模式行集 60

2.6 理解用于挖掘结构的

DMX扩展 60

2.6.1 挖掘结构 60

2.6.2 挖掘结构的DMX扩展 61

2.6.3 Mining Structure模式行集 62

  2.7 本章小结 63

第3章 实践SQL Server数据挖掘 65

  3.1 BI Dev Studio介绍 65

3.1.1 理解用户界面 66

3.1.2 脱机模式和即时模式 68

  3.2 设置数据源 72

3.2.1 数据源 72

3.2.2 使用数据源视图 74

  3.3 创建和编辑模型 83

3.3.1 结构和模型 83

3.3.2 使用数据挖掘向导 83

3.3.3 创建MovieClick挖掘

结构和挖掘模型 88

3.3.4 使用数据挖掘设计器 89

  3.4 处理 94

  3.5 使用模型 96

3.5.1 了解模型查看器 96

3.5.2 使用挖掘准确性图表 98

3.5.3 为MovieClick模型

创建一个提升图 101

3.5.4 使用挖掘模型预测 101

3.5.5 针对MovieClick模型

执行查询 102

3.5.6 创建数据挖掘报表 103

3.6 使用SQL Server

Management Studio 104

3.6.1 了解Management Studio

用户界面 105

3.6.2 使用对象资源管理器 106

3.6.3 使用查询编辑器 106

  3.7 本章小结 107

第4章 Microsoft贝叶斯算法 109

  4.1 贝叶斯算法介绍 109

  4.2 理解贝叶斯算法的基本原理 110

  4.3 贝叶斯算法的参数 112

  4.4 使用贝叶斯算法 113

4.4.1 DMX 114

4.4.2 理解贝叶斯模型的内容 115

4.4.3 浏览贝叶斯模型 117

  4.5 本章小结 120

第5章 Microsoft决策树算法 121

  5.1 决策树算法介绍 121

  5.2 决策树算法的基本原理 122

5.2.1 决策树生成的基本思想 122

5.2.2 处理变量中的多个状态 125

5.2.3 避免过度训练 125

5.2.4 结合先验知识 126

5.2.5 特征选择 126

5.2.6 使用连续的输入属性 127

5.2.7 回归 127

5.2.8 使用Microsoft决策树

算法进行关联分析 128

  5.3 理解算法参数 129

  5.4 使用决策树算法 131

5.4.1 DMX查询 131

5.4.2 模型内容 135

5.4.3 解释模型 136

  5.5 本章小结 139

第6章 Microsoft时序算法 141

  6.1 Microsoft时序算法介绍 141

6.2 Microsoft时序算法的

基本原理 142

6.2.1 自动回归 142

6.2.2 使用多个时间序列 144

6.2.3 自动回归树 144

6.2.4 季节性 145

6.2.5 预测历史 146

6.2.6 高速缓存预测 146

  6.3 理解时序算法的参数 147

  6.4 使用Microsoft时序算法 148

6.4.1 DMX查询 148

6.4.2 模型内容 152

6.4.3 模型解释 152

  6.5 本章小结 155

第7章 Microsoft聚类算法 157

  7.1 Microsoft聚类算法介绍 158

  7.2 聚类算法的基本原理 159

7.2.1 硬聚类算法与软聚类算法 160

7.2.2 离散聚类 161

7.2.3 可伸缩聚类 162

7.2.4 聚类预测 163

  7.3 聚类算法的参数 163

  7.4 使用聚类模型 166

7.4.1 将聚类作为一个分析步骤 166

7.4.2 DMX 167

7.4.3 模型内容 169

7.4.4 理解聚类模型 169

  7.5 本章小结 174

第8章 Microsoft序列聚类算法 175

  8.1 Microsoft序列聚类算法介绍 175

8.2 Microsoft序列聚类算法

的基本原理 176

8.2.1 什么是马尔可夫链 176

8.2.2 马尔可夫链的阶 176

8.2.3 状态转移矩阵 177

8.2.4 使用马尔可夫链来

进行聚类 178

8.2.5 聚类分解 180

  8.3 序列聚类算法的参数 180

  8.4 使用序列聚类算法 181

8.4.1 DMX查询 181

8.4.2 模型内容 185

8.4.3 解释模型 185

  8.5 本章小结 189

第9章 Microsoft关联规则算法 191

  9.1 Microsoft关联规则算法介绍 191

  9.2 关联规则算法的基本原理 192

9.2.1 理解关联规则算法

的基本概念 192

9.2.2 挖掘频繁项集 195

9.2.3 生成关联规则 198

9.2.4 预测 198

  9.3 关联算法的参数 199

  9.4 使用关联算法 200

9.4.1 DMX查询 200

9.4.2 模型内容 202

9.4.3 解释模型 203

  9.5 本章小结 205

第10章 Microsoft神经网络算法 207

10.1 Microsoft神经网络算法

的基本原理 207

10.1.1 什么是神经网络 208

10.1.2 组合和激活 209

10.1.3 反向传播、误差函数

和共轭梯度 211

10.1.4 处理神经网络的

简单示例 212

10.1.5 规范化和映射 213

10.1.6 网络拓扑 214

10.1.7 训练终止条件 215

  10.2 神经网络算法的参数 215

  10.3 DMX查询 216

  10.4 模型内容 218

  10.5 解释模型 219

  10.6 本章小结 221

第11章 挖掘OLAP立方体 223

  11.1 OLAP介绍 224

11.1.1 理解星型模式和

雪花模式 225

11.1.2 理解维和层次 225

11.1.3 理解度量和度量组 226

11.1.4 理解立方体的处理

和存储 227

11.1.5 使用前摄缓存 228

11.1.6 查询立方体 228

  11.2 执行计算 229

  11.3 浏览立方体 230

  11.4 理解统一维度模型 231

11.5 理解OLAP和数据挖掘

之间的关系 234

11.5.1 OLAP在聚集数据方面

给数据挖掘带来的好处 235

11.5.2 OLAP需要数据挖掘

来发现模式 235

11.5.3 OLAP挖掘与关系挖掘 236

11.6 使用向导和编辑器来

构建OLAP挖掘模型 237

11.6.1 使用数据挖掘向导 237

11.6.2 构建客户细分模型 237

11.6.3 创建购物篮模型 239

11.6.4 创建销售预测模型 242

11.6.5 使用数据挖掘编辑器 245

  11.7 理解数据挖掘维 246

11.8 在DMX查询内部

使用MDX 248

11.9 将AMO用于OLAP

挖掘模型 249

  11.10 本章小结 253

第12章 SQL Server集成服务

数据挖掘 255

  12.1 SSIS介绍 255

12.1.1 理解SSIS包 257

12.1.2 任务流 257

12.1.3 数据流 259

12.2 在SSIS环境中进行

数据挖掘 261

12.2.1 数据挖掘任务 262

12.2.2 数据挖掘转换 267

  12.3 本章小结 276

第13章 SQL Server数据挖掘

的体系结构 277

13.1 Analysis Services体系

结构介绍 277

  13.2 XML for Analysis 278

13.2.1 XMLA的API 279

13.2.2 XMLA和Analysis

Services 282

  13.3 处理体系结构 283

  13.4 数据挖掘管理 284

13.4.1 服务器配置 284

13.4.2 数据挖掘安全 285

  13.5 本章小结 287

第14章 SQL Server数据挖掘编程 289

  14.1 数据挖掘API 290

14.1.1 ADO 291

14.1.2 ADO.NET 291

14.1.3 ADOMD.NET 291

14.1.4 Server ADOMD 292

14.1.5 AMO 292

14.2 使用Analysis Services

的API 292

14.3 使用Microsoft.AnalysisServices

创建和管理挖掘模型 293

14.3.1 AMO的基本原理 294

14.3.2 AMO应用程序和安全 295

14.3.3 对象的创建 296

  14.4 浏览和查询挖掘模型 305

14.4.1 使用ADOMD.NET

来预测 306

14.4.2 浏览模型 309

14.4.3 存储过程 311

14.4.4 编写存储过程 312

  14.5 本章小结 317

第15章 实现一个Web交叉销售

应用程序 319

  15.1 源数据描述 319

  15.2 构建模型 320

15.2.1 确定数据挖掘任务 320

15.2.2 将决策树算法应用

于关联任务 320

15.2.3 使用关联规则算法 322

15.2.4 两个模型的比较 324

  15.3 执行预测 325

15.3.1 批处理预测查询 325

15.3.2 使用单例预测查询 327

15.4 在Web应用程序中

集成预测功能 327

15.4.1 理解Web应用程序

的体系结构 327

15.4.2 设置权限 328

15.4.3 分析Web推荐应用

程序的样例代码 329

  15.5 本章小结 332

第16章 使用Microsoft Excel

进行高级预测 333

16.1 针对会话模型来配置

Analysis Services 333

  16.2 使用高级预测工具 334

16.3 ExcelTimeSeries插件的

体系结构 336

  16.4 构建输入数据集 336

  16.5 创建和训练挖掘模型 339

16.5.1 连接数据挖掘引擎 339

16.5.2 创建和训练 340

  16.6 预测序列 342

  16.7 结合所有代码 343

  16.8 本章小结 346

第17章 扩展SQL Server数据挖掘 347

  17.1 理解插件算法 347

17.1.1 插件算法的架构 348

17.1.2 插件算法的概念 348

17.1.3 模型的创建和处理 350

17.1.4 预测 351

17.1.5 内容导航 352

17.1.6 受托管的插件 352

17.1.7 安装插件算法 353

  17.2 使用数据挖掘查看器 353

  17.3 本章小结 354

第18章 总结与其他资源 355

18.1 重新回顾SQL Server 2005

数据挖掘的亮点 355

18.1.1 最新的算法 355

18.1.2 易于使用的工具 356

18.1.3 简单而强大的API 356

18.1.4 与同类BI技术的集成 357

18.2 探讨数据挖掘的新领域

及应用 357

  18.3 延伸阅读 358

18.3.1 Microsoft数据挖掘

的资源 358

18.3.2 数据挖掘的其他资源 358

18.3.3 流行的数据挖掘

Web站点 359

18.3.4 流行的数据挖掘会议 359

附录A 导入数据集 361

  A.1 数据集 361

A.1.1 MovieClick数据集 361

A.1.2 Voting Records数据集 363

A.1.3 FoodMart 2000数据集 364

A.1.4 College Plans数据集 364

  A.2 导入数据集 364

附录B 支持的VBA函数和

Excel函数 369

附录C 学习资源 373