谢邦昌教授是数据挖掘领域内专家中的专家,听过他演讲的客户,对于演讲内容、实际案例分析、技术应用等,都称赞其高质量并符合企业的实际情况。而谢教授对新技术的引进及学习的积极态度,更让后生晚辈的我们敬佩及推崇。《SQL Server2008R2数据挖掘与商业智能基础及高级案例实战》由数据仓库、数据挖掘与商业智能概念开始谈起,进而深入探讨如何利用Microsoft SQL Server创建数据仓库、数据挖掘与商业智能的平台。更重要的是,通过谢教授对九大算法的精辟介绍及实际案例说明,搭配Microsoft SQL Server平民化的价格与易用整合的平台及Office,充分发挥读者的专业领域,期望能有效实现数据挖掘的三大成功关键因素,并引领读者快速进入数据挖掘神秘的殿堂。
《SQL Server2008R2数据挖掘与商业智能基础及高级案例实战》(作者谢邦昌等)全面介绍了数据挖掘与商业智能的基本概念与原理,包括经典理论与趋势发展,并深入叙述了各种数据挖掘的技术与典型应用。通过本书的学习,读者可以对数据挖掘与商业智能的整体结构、概念、原理、技术和发展有深入的了解和认识。
《SQL Server2008R2数据挖掘与商业智能基础及高级案例实战》以Microsoft SQL Server 2008的数据挖掘模块进行介绍,让读者可以很快地通过书中的说明与范例,在最短的时间内就能上手。
本书分为四个部分:第一部分介绍数据仓库、数据挖掘与商业智能之间的关系。第二部分对Microsoft SQL Server的整体架构加以介绍,并详细阐述了直接与数据挖掘相关的两个服务:分析服务和报表服务。第三部分逐一阐述了Microsoft SQL Server中包含的九种数据挖掘模型。第四部分提供了四个数据挖掘的范例,通过模仿练习,读者可获得实际的数据挖掘经验,稍加修改就能在自己所处的领域中加以应用。
推荐序
前言
PART Ⅰ 数据仓库、数据挖掘与商业智能
Chapter 1 绪论
1.1 商业智能
1.2 数据挖掘
Chapter 2 数据仓库
2.1 数据仓库定义
2.2 数据仓库特性
2.3 数据仓库架构
2.4 创建数据仓库的目的
2.5 数据仓库的运用
2.6 数据仓库的管理
Chapte3 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 数据挖掘的应用
3.7 数据挖掘软件介绍
Chapter 4 数据挖掘的主要方法
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
4.6 决策树
4.7 其他分析方法
Chapter 5 数据挖掘与相关领域的关系
5.1 数据挖掘与统计分析
5.2 数据挖掘与数据仓库
5.3 数据挖掘与KDD
5.4 数据挖掘与0LAP
5.5 数据挖掘与机器学习
5.6 数据挖掘与Web数据挖掘
PART Ⅱ Microsoft SQL Server概述
Chapter 6 Microsoft SQLServer中的商业智能
6.1 Microsoft SQL Server入门
6.2 关系数据仓库
6.3 SQL Server 2008 R2概述
6.4 SQL Server 2008 R2技术
6.5 SQL Server 2008 R2新增功能
Chapter 7 Microsoft SQL Server中的数据挖掘功能
7.1 创建商业智能应用程序
7.2 Microsoft SQL ervet数据挖掘功能的优势
7.3 Microsoft SQL Server数据挖掘算法
7.4 Microsoft SQL Server可扩展性
7.5 Microsoft SQL Server是数据挖掘与商业智能的结合
7.6 使用数据挖掘可以解决的问题
Chapter 8 Microsoft SQL Server的分析服务(Analysis Setvices)
8.1 创建多维数据集的结构
8.2 建立和部署多维数据集
8.3 从模板创建自定义的数据库
8.4 统一维度模型
8.5 基于属性的维度
8.6 维度类型
8.7 量度组和数据视图
8.8 计算效率
8.9 MDX脚本
8.10 存储过程
8.11 关键绩效指标(KPI)
8.12 实时商业智能
Chapter 9 Microsoft SQL Server的报表服务(Reporting Services):
9.1 为何使用报表服务
9.2 报表服务的功能
Chapter 10 Microsoft SQL Setver的整合服务
10.1 SSIS介绍
10.2 操作示例
Chapter 11 Microsoft SQL Server的DMX语言
11.1 DMX语言介绍
11.2 DMX函数
11.3 DMX语法
11.4 DMX操作实例
PART Ⅲ Microsoft SQL Server中的数据挖掘模型
Chapter 12决策树模型
12.1 基本概念
12.2 决策树与判别函数
12.3 计算方法
12.4 操作范例
Chapter 13 贝叶斯分类器
13.1 基本概念
13.2 操作范例
Chapter 14 关联规则
14.1 基本概念
14.2 关联规则的种类
14.3 关联规则的算法:Apriori算法
14.4 操作范例
Chapter 15 聚类分析
15.1 基本概念
15.2 层级聚类法与动态聚类法
15.3 操作范例
Chapter 16 时序聚类
16.1 基本概念
16.2 主要算法
16.3 操作示例
Chapter 17 线性回归模型
17.1 基本概念
17.2 一元回归模型
17.3 多元回归模型
17.4 操作范例
Chapter 18 逻辑回归模型
18.1 基本概念
18-2 logit变换与logistic分布
18.3 逻辑回归模型
18.4 操作范例
Chapter 19 人工神经网络模型
19.1 基本概念
19.2 神经网络模型的特点
19.3 神经网络模型的优劣比较
19.4 操作范例
Chapter 20 时序模型
20.1 基本概念
20.2 时序的构成
20.3 简单时序的预测
20.4 包含趋势与季节成份的时序预测
20.5 参数化的时序预测模型
20.6 操作范例
PART Ⅳ Microsoft SQL Server数据挖掘应用实例
Chapter 21 决策树模型实例
Chapter 22 逻辑回归模型实例
22.1 回归模型实例一
22.2 回归模型实例二
22.3 回归模型实例三
Chapter 23 神经网络模型实例
23.1 神经网络模型实例一
23.2 神经网络模型实例二
Chapter 24 时序模型实例
24.1 时序模型实例一
24.2 时序模型实例二
Chapter 25 如何评估数据挖掘模型
25.1 评估图节点介绍Evaluation Chart Node
25.2 在SQL Server中如何评估模型
25.3 规则度量:支持度与可信度