本书主要讨论数据挖掘技术的基本原理与应用，可以解决企业运营中遇到的各种问题，并介绍了SQL Server 2005处理这些问题的方法。内容主要包括数据仓库、数据挖掘中的主要方法、SQL Server2005中的商业智能与数据挖掘功能、决策树模型、聚类分析、神经网络模型和时间序列模型等，并配有相关的范例分析与实例练习。

本书内容翔实，示例丰富，结构合理，可作为各类开发人员及企业管理人员的参考用书。

相对于其他数据库系统或数据挖掘软件，微软最新推出的数据库系统Microsoft SQL Server借助自带的数据挖掘功能，较好地平衡了企业商务智能方案的性能和价格，因而在业界迅速普及。针对业界实务上的需求，本书主要介绍了如下内容：

数据仓库、数据挖掘与商务智能之间的关系。

Microsoft SQL Server的整体架构、分析服务和报告服务以及Microsoft SQL Server的整合服务和DMX语言。

9种数据挖掘模型：决策树、贝叶斯分类、聚类分析、时序聚类、线性回归、Logistic回归、神经网络、时间序列。

本书给出了丰富的精彩实例，主要包括：

利用聚类分析找出最具有投资价值的企业。

利用决策树模型分析游戏《三国志4》武将数据，找出三国武将特性分布。

利用线性回归分析了解成人血液中的胆固醇是否受体重、血压及年龄的影响，了解来店顾客人数是否受广告促销费用、店面面积以及店铺所在位置的影响。

利用Logistic回归和神经网络分析影响病人肾细胞癌转移的临床病理因素。

利用Logistic回归分析影响高中学生升学的因素。

利用时间序列分析预测中国台湾地区未来的进出口货物价值，了解中国台湾地区未来的进出口货物的成长趋势，以及预测未来用电负荷，来整合整体电力使用规划。

推荐序

序

第1章 绪论

 1.1 商业智能

 1.2 数据挖掘

第2章 数据仓库

 2.1 数据仓库定义

 2.2 数据仓库特点

 2.3 数据仓库架构

 2.4 建立数据仓库的原因和目的

 2.5 数据仓库的应用

 2.6 数据仓库的管理

第3章 数据挖掘简介

 3.1 数据挖掘的定义

 3.2 数据挖掘的重要性

 3.3 数据挖掘的功能

 3.4 数据挖掘的步骤

 3.5 数据挖掘建模的标准CRISP-DM

 3.6 数据挖掘软件分类

 3.7 各数据挖掘软件的分析方法简介

第4章 数据挖掘中的主要方法

 4.1 回归分析

 4.2 关联规则

 4.3 聚类分析

 4.4 判别分析

 4.5 神经网络分析

 4.6 决策树分析

 4.7 其他分析方法

第5章 数据挖掘与相关领域的关系

 5.1 数据挖掘与统计分析的不同

 5.2 数据挖掘与数据仓库的关系

 5.3 KDD与数据挖掘的关系

 5.4 OLAP与数据挖掘的关系

 5.5 数据挖掘与机器学习的关系

 5.6 Web数据挖掘和数据挖掘有什么不同

第6章 SQL Server 2005中的商业智能

 6.1 SQL Server 2005入门

 6.2 关联型数据库

 6.3 Analysis Services

第7章 SQL Server 2005中的数据挖掘功能

 7.1 创建商业智能应用程序

 7.2 SQL Server 2005数据挖掘功能的优势

 7.3 SQL Server 2005数据挖掘算法

 7.4 可扩展性

 7.5 SQL Server 2005数据挖掘功能与商业智能集成

 7.6 使用数据挖掘可以解决的问题

第8章 SQL Server 2005的分析服务

 8.1 建立数据源与数据源视图

 8.2 创建维度和多维数据集

 8.3 构建和部署

 8.4 从模板创建可自定义的数据库

 8.5 统一维度模型

 8.6 基于属性的维度

 8.7 维度类型

 8.8 量度组和透视

 8.9 计算和分析

 8.10 MDX脚本

 8.11 存储过程

 8.12 关键绩效指标

 8.13 实时商业智能

第9章 SQL Server 2005的报表服务

 9.1 Reporting Services介绍

 9.2 为什么使用Reporting Services

 9.3 使用 Reporting Services 的方式

 9.4 Reporting Services的功能

第10章 决策树模型

 10.1 基本概念

 10.2 决策树模型的建立

 10.3 决策树与判别函数的比较

 10.4 计算方法

 10.5 SQL Server 2005操作步骤

 10.6 范例分析

第11章 贝叶斯分类

 11.1 基本概念

 11.2 SQL Server 2005操作步骤

第12章 关联规则

 12.1 基本概念

 12.2 关联规则的种类

 12.3 关联规则的算法：Apriori

 12.4 SQL Server 2005操作步骤

第13章 聚类分析

 13.1 基本概念

 13.2 层次聚类分析

 13.3 聚类分析原理

 13.4 SQL Server 2005操作步骤

第14章 时序聚类分析

 14.1 基本概念

 14.2 相关研究

 14.3 SQL Server 2005操作步骤

第15章 线性回归模型

 15.1 基本概念

 15.2 多元回归分析

 15.3 SQL Server 2005操作步骤

 15.4 范例分析一

 15.5 范例分析二

第16章 Logistic回归模型

 16.1 基本概念

 16.2 logit变换

 16.3 Logistic分布

 16.4 列联表中的Logistic回归模型

 16.5 SQL Server 2005操作步骤

 16.6 范例分析一

 16.7 范例分析二

第17章 神经网络模型

 17.1 基本概念

 17.2 神经网络的特性

 17.3 神经网络的架构与训练算法

 17.4 神经网络应用

 17.5 神经网络优缺点

 17.6 SQL Server 2005操作步骤

 17.7 范例分析

第18章 时间序列模型

 18.1 基本概念

 18.2 时间序列的成分

 18.3 时间序列数据的图形介绍

 18.4 利用平滑法预测

 18.5 用趋势投影预测时间序列

 18.6 预测含有趋势成分与季节成分的时间序列

 18.7 利用回归模型预测时间序列

 18.8 其他预测模型

 18.9 单变量时间序列预测模型

 18.10 时间趋势预测模型

 18.11 SQL Server 2005操作步骤

 18.12 范例分析

第19章 SQL Server 2005整合服务

 19.1 SQL Server整合服务(SSIS)介绍

 19.2 SSIS实例练习

第20章 文本挖掘模型

 20.1 文本挖掘技术的发展

 20.2 文本分析技术

 20.3 文本挖掘技术

 20.4 SQL Server 2005文本挖掘

 20.5 范例分析

第21章 SQL Server 2005的DMX语言

 21.1 DMX介绍

 21.2 DMX函数介绍

 21.3 DMX数据挖掘语法

 21.4 DMX应用范例

第22章 实际案例：聚类分析模型应用

 22.1 研究背景

 22.2 分析过程

第23章 实际案例：时间序列模型应用

 23.1 研究背景

 23.2 分析过程