編輯推薦:

內(nèi)容簡(jiǎn)介:    商業(yè)智能是將企事業(yè)單位積累的數(shù)據(jù)轉(zhuǎn)化為知識(shí)，幫助企事業(yè)單位做出科學(xué)決策的工具?！陡叩仍盒＝?jīng)濟(jì)管理類(lèi)規(guī)劃教材：商業(yè)智能原理與應(yīng)用》以“商業(yè)智能”應(yīng)用為主線，全面系統(tǒng)地介紹了商業(yè)智能的基本概念、方法和技術(shù)，克服了以“數(shù)據(jù)挖掘”技術(shù)為豐線的局限性，并以MS SQL Server作為數(shù)據(jù)倉(cāng)庫(kù)管理平臺(tái)，以SQL Server Business Intelligence Developrnent Visual Studio作為商業(yè)智能開(kāi)發(fā)平臺(tái)，進(jìn)行了豐富的案例演示?！陡叩仍盒＝?jīng)濟(jì)管理類(lèi)規(guī)劃教材：商業(yè)智能原理與應(yīng)用》可作為高等院校高年級(jí)本科生教材，也可作為MBA教材以及盯相關(guān)專(zhuān)業(yè)人員、市場(chǎng)營(yíng)銷(xiāo)人員、管理決策支持等實(shí)際經(jīng)濟(jì)管理領(lǐng)域?qū)崉?wù)工作者的參考用書(shū)。

作者簡(jiǎn)介:

目錄:第1章 數(shù)據(jù)挖掘和商業(yè)智能
1.1 數(shù)據(jù)挖掘的興起
1.1.1 數(shù)據(jù)豐富與知識(shí)匱乏
1.1.2 從數(shù)據(jù)到知識(shí)
1.1.3 數(shù)據(jù)挖掘產(chǎn)生
1.1.4 數(shù)據(jù)挖掘解決的商業(yè)問(wèn)題
1.2 什么是商業(yè)智能
1.2.1 企業(yè)決策實(shí)現(xiàn)過(guò)程的信息需求
1.2.2 企業(yè)信息化系統(tǒng)中的商業(yè)智能
1.2.3 商業(yè)智能的體系結(jié)構(gòu)
1.3 數(shù)據(jù)挖掘和商業(yè)智能工具
1.3.1 商業(yè)智能工具的選擇
1.3.2 SQL Server 2008的商業(yè)智能構(gòu)架
1.4 數(shù)據(jù)挖掘應(yīng)用案例
【本章小結(jié)】
【練習(xí)題】

第2章 數(shù)據(jù)倉(cāng)庫(kù)
2.1 數(shù)據(jù)倉(cāng)庫(kù)的概念
2.1.1 從傳統(tǒng)數(shù)據(jù)庫(kù)到數(shù)據(jù)倉(cāng)庫(kù)
2.1.2 數(shù)據(jù)倉(cāng)庫(kù)的定義與基本特性
2.2 數(shù)據(jù)倉(cāng)庫(kù)的體系結(jié)構(gòu)
2.2.1 數(shù)據(jù)倉(cāng)庫(kù)的物理結(jié)構(gòu)
2.2.2 數(shù)據(jù)倉(cāng)庫(kù)的系統(tǒng)結(jié)構(gòu)
2.2.3 數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)模型
2.3 元數(shù)據(jù)
2.3.1 元數(shù)據(jù)的定義
2.3.2 元數(shù)據(jù)的分類(lèi)及作用
2.4 數(shù)據(jù)集市
2.4.1 兩種數(shù)據(jù)集市結(jié)構(gòu)
2.4.2 數(shù)據(jù)集市與數(shù)據(jù)倉(cāng)庫(kù)的差別
2.4.3 關(guān)于數(shù)據(jù)集市的誤區(qū)
2.5 數(shù)據(jù)倉(cāng)庫(kù)設(shè)計(jì)與實(shí)施
2.5.1 自上而下還是自下而上的設(shè)計(jì)方法
2.5.2 數(shù)據(jù)倉(cāng)庫(kù)的設(shè)計(jì)步驟
2.5.3 數(shù)據(jù)倉(cāng)庫(kù)的實(shí)施
2.5.4 數(shù)據(jù)倉(cāng)庫(kù)的使用和維護(hù)
2.6 Microsoft數(shù)據(jù)倉(cāng)庫(kù)（DW）和商業(yè)智能（BI）工具
2.7 數(shù)據(jù)倉(cāng)庫(kù)設(shè)計(jì)案例
2.7.1 業(yè)務(wù)數(shù)據(jù)庫(kù)AdventureWorks
2.7.2 業(yè)務(wù)數(shù)據(jù)分析
2.7.3 項(xiàng)目需求分析
2.7.4 構(gòu)建數(shù)據(jù)倉(cāng)庫(kù)
【本章小結(jié)】
【練習(xí)題】

第3章 數(shù)據(jù)預(yù)處理
3.1 數(shù)據(jù)預(yù)處理的重要性
3.2 數(shù)據(jù)清洗
3.2.1 遺漏數(shù)據(jù)處理
3.2.2 噪聲數(shù)據(jù)處理
3.2.3 不一致數(shù)據(jù)處理
3.3 數(shù)據(jù)集成與轉(zhuǎn)換
3.3.1 數(shù)據(jù)集成處理
3.3.2 數(shù)據(jù)轉(zhuǎn)換處理
3.4 數(shù)據(jù)消減
3.4.1 數(shù)據(jù)立方合計(jì)
3.4.2 維數(shù)消減
3.4.3 數(shù)據(jù)塊消減
3.5 離散化和概念層次樹(shù)生成
3.5.1 數(shù)值概念層次樹(shù)生成
3.5.2 類(lèi)別概念層次樹(shù)生成
3.6 使用SSIS對(duì)數(shù)據(jù)進(jìn)行ETL操作
3.6.1 SSIS的主要功能
3.6.2 SSIS的體系結(jié)構(gòu)
3.6.3 SSIS包主要對(duì)象
3.6.4 創(chuàng)建并運(yùn)行一個(gè)簡(jiǎn)單的包
【本章小結(jié)】
【思考題】

第4章 多維數(shù)據(jù)分析
4.1 多維數(shù)據(jù)分析基礎(chǔ)
4.2 多維數(shù)據(jù)分析方法
4.3 多維數(shù)據(jù)的存儲(chǔ)方式
4.3.1 三種存儲(chǔ)方式
4.3.2 三種存儲(chǔ)方式的比較
4.4 多維表達(dá)式（MDX）
4.4.1 MDX中的重要概念
4.4.2 MDX基本語(yǔ)法
4.4.3 MDX與SQL的區(qū)別
4.4.4 MDX核心函數(shù)
4.5 使用SQL Servet Analysis Services（SSAS）構(gòu)建維度和多維數(shù)據(jù)集
4.5.1 SSAS的體系結(jié)構(gòu)
4.5.2 SSAS的統(tǒng)一維度模型（UDM）
4.5.3 SSAS示例
4.6 使用Excel數(shù)據(jù)透視圖瀏覽多維數(shù)據(jù)集
【本章小結(jié)】
【思考題】

第5章 用Microsoft SSRS處理智能報(bào)表
5.1 SSRS商業(yè)智能報(bào)表
5.1.1 商業(yè)智能報(bào)表與商業(yè)智能
5.1.2 SSRS的結(jié)構(gòu)
5.1.3 SSRS報(bào)表的3種狀態(tài)
5.2 使用SSRS創(chuàng)建報(bào)表
5.2.1 創(chuàng)建一個(gè)簡(jiǎn)單報(bào)表項(xiàng)目
5.2.2 增強(qiáng)基本報(bào)表的功能
5.2.3 發(fā)布報(bào)表
【本章小結(jié)】

第6章 數(shù)據(jù)挖掘技術(shù)
6.1 數(shù)據(jù)挖掘的任務(wù)
6.1.1 分類(lèi)
6.1.2 回歸
6.1.3 時(shí)間序列分析
6.1.4 預(yù)測(cè)
6.1.5 聚類(lèi)
6.1.6 關(guān)聯(lián)規(guī)則
6.1.7 序列分析
6.1.8 偏差檢測(cè)
6.2 數(shù)據(jù)挖掘的對(duì)象
6.3 數(shù)據(jù)挖掘系統(tǒng)的分類(lèi)
6.4 數(shù)據(jù)挖掘項(xiàng)目的生命周期
6.4.1 商業(yè)理解
6.4.2 數(shù)據(jù)準(zhǔn)備
6.4.3 模型構(gòu)建
6.4.4 模型評(píng)估
6.4.5 應(yīng)用集成和實(shí)施
6.5 數(shù)據(jù)挖掘面臨的挑戰(zhàn)及發(fā)展
6.5.1 數(shù)據(jù)挖掘面臨的挑戰(zhàn)
6.S.2 數(shù)據(jù)挖掘的發(fā)展趨勢(shì)
【本章小結(jié)】
【思考題】

第7章 關(guān)聯(lián)挖掘
7.1 關(guān)聯(lián)規(guī)則挖掘
7.1.1 購(gòu)物分析：關(guān)聯(lián)挖掘
7.1.2 基本概念
7.1.3 關(guān)聯(lián)規(guī)則挖掘分類(lèi)
7.2 單維布爾關(guān)聯(lián)規(guī)則挖掘
7.2.1 Apriori算法
7.2.2 關(guān)聯(lián)規(guī)則的生成
7.3 挖掘多層級(jí)關(guān)聯(lián)規(guī)則
7.3.1 挖掘多層次關(guān)聯(lián)規(guī)則
7.3.2 挖掘多層次關(guān)聯(lián)規(guī)則方法
7.3.3 多層次關(guān)聯(lián)規(guī)則的冗余
7.4 多維關(guān)聯(lián)規(guī)則的挖掘
7.4.1 多維關(guān)聯(lián)規(guī)則
7.4.2 利用靜態(tài)離散挖掘多維關(guān)聯(lián)規(guī)則
7.5 關(guān)聯(lián)挖掘中的相關(guān)分析
7.5.1 無(wú)意義強(qiáng)關(guān)聯(lián)規(guī)則示例
7.5.2 從關(guān)聯(lián)分析到相關(guān)分析
7.6 利用Microsoft SSAS進(jìn)行關(guān)聯(lián)挖掘
7.6.1 Microsoft關(guān)聯(lián)規(guī)則模型簡(jiǎn)介
7.6.2 關(guān)聯(lián)規(guī)則數(shù)據(jù)挖掘示例
【本章小結(jié)】
【思考題】

第8章 分類(lèi)與預(yù)測(cè)
8.1 分類(lèi)與預(yù)測(cè)基本知識(shí)
8.2 有關(guān)分類(lèi)和預(yù)測(cè)的幾個(gè)問(wèn)題
8.3 基于決策樹(shù)的分類(lèi)
8.3.1 決策樹(shù)生成算法
8.3.2 屬性選擇方法
8.3.3 樹(shù)枝修剪
8.3.4 決策樹(shù)分類(lèi)規(guī)則獲取
8.3.5 級(jí)別決策樹(shù)方法的改進(jìn)
8.3.6 數(shù)據(jù)倉(cāng)庫(kù)技術(shù)與決策樹(shù)歸納的結(jié)合
8.4 貝葉斯分類(lèi)方法
8.4.1 貝葉斯定理
8.4.2 基本貝葉斯分類(lèi)方法
8.5 神經(jīng)網(wǎng)絡(luò)分類(lèi)方法
8.5.1 多層前饋神經(jīng)網(wǎng)絡(luò)
8.5.2 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
8.5.3 后傳方法
8.5.4 后傳方法和可理解性
8.6 分類(lèi)器準(zhǔn)確性
8.6.1 分類(lèi)器準(zhǔn)確性估計(jì)
8.7 預(yù)測(cè)方法
8.7.1 線性與多變量回歸
8.7.2 非線性回歸
8.7.3 其它回歸模型
8.8 Microsoft貝葉斯算法
8.8.1 貝葉斯算法的參數(shù)
8.8.2 使用貝葉斯模型
8.8.3 瀏覽貝葉斯模型
8.9. Microsoft決策樹(shù)算法
8.10 Microsoft神經(jīng)網(wǎng)絡(luò)算法
【本章小結(jié)】
【思考題】

第9章 聚類(lèi)分析
9.1 聚類(lèi)分析概念
9.2 聚類(lèi)分析中的數(shù)據(jù)類(lèi)型
9.2.1 間隔數(shù)值屬性
9.2.2 二值屬性
9.2.3 符號(hào)、順序和比例數(shù)值屬性
9.2.4 混合類(lèi)型屬性
9.3 主要聚類(lèi)方法
9.4 劃分方法
9.4.1 傳統(tǒng)劃分方法
9.4.2 大數(shù)據(jù)庫(kù)的劃分方法
9.5 層次方法
9.5.1 兩種基本層次聚類(lèi)方法
9.6 基于密度方法
9.6.1 基于密度方法：DBSCAN
9.7 異常數(shù)據(jù)分析
9.7.1 基于統(tǒng)計(jì)的異常檢測(cè)方法
9.7.2 基于距離的異常檢測(cè)方法
9.7.3 基于偏差的異常檢查方法
9.8 Microsoft聚類(lèi)算法
【本章小結(jié)】
【思考題】

第10章 時(shí)序數(shù)據(jù)和序列數(shù)據(jù)挖掘
10.1 時(shí)間序列模型
10.2 Microsoft的時(shí)序算法
10.2.1 自動(dòng)回歸
10.2.2 自動(dòng)回歸樹(shù)
10.2.3 數(shù)據(jù)中的季節(jié)性處理
10.2.4 使用預(yù)測(cè)函數(shù)預(yù)測(cè)值
10.3 Microsoft時(shí)序算法示例
10.4 Microsoft的序列模式挖掘
10.4.1 Microsoft序列聚類(lèi)算法
10.4.2 序列聚類(lèi)挖掘示例
【本章小結(jié)】
【思考題】

第11章 基于多維數(shù)據(jù)集的數(shù)據(jù)挖掘
11.1 OLAP和數(shù)據(jù)挖掘之間的關(guān)系
11.2 構(gòu)建OLAP挖掘模型
【本章小結(jié)】