《数据挖掘原理与应用—— SQL Server 2005数据库》

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