SQL Server 2008 R2数据挖掘与商业智能基础及高级案例实战
-
【作 者】谢邦昌 郑宇庭 苏志雄 著
【I S B N 】978-7-5084-8764-9
【责任编辑】李 炎
【适用读者群】科技
【出版时间】2011-09-20
【开 本】16开
【装帧信息】平装(光膜)
【版 次】第1版第1次印刷
【页 数】320
【千字数】480
【印 张】20
【定 价】¥48
【丛 书】其他类
【备注信息】
简介
本书特色
前言
章节列表
精彩阅读
下载资源
相关图书
本书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。
本书以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。
本书配有案例的相关素材文件,读者可以从万水书苑以及中国水利水电出版社网站下载,网址为:http://www.wsbookshow.com和http://www.waterpub.com.cn/softdown/。
本书为经台湾碁峰资讯股份有限公司独家授权发行的中文简体版。本书中文简体字版在中国大陆之专有出版权属中国水利水电出版社所有。在没有得到本书原版出版者和本书出版者书面许可时,任何单位和个人不得擅自摘抄、复制本书的一部分或全部以任何方式包括(资料和出版物)进行传播。本书原版版权属碁峰资讯股份有限公司。版权所有,侵权必究。
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。 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。
商业智能中有一项重要的技术,即数据挖掘的分析技术,主要是从大量数据库中寻找有意义或有价值的信息的过程。通过计算机技术或是统计分析方法论,根据整合的数据加以分析研究,发掘出隐含在数据中的特性,通过专业领域知识(Domain Know-how)整合及解释,从中找出合理且有用的信息,经过相关部门针对该模型的评估后,再提供给相关决策单位加以运用。
近年来,商业智能的运用已经逐渐受到企业的重视,将企业累积数据库通过相关信息的分析,找出客户细分、消费行为、业务成本与效率等对企业极为重要的信息。通过商业智能的应用,使之更深入地了解客户,并可协助业务的开发以及增加在顾客管理上的有效性。
知识经济时代来临,企业间的竞争模式,从传统的采用压低成本与价格的杀价流血竞争,到近来倡导以创新为核心竞争力的,不论哪一种策略模式,都是不断在技术研发、生产制造、区域营销、客户服务或资源配置等运营的相关问题上,寻求问题的发生原因,并尝试找出解决方案。在整个不同运营阶段中,陆续累积的庞大数据,往往就是答案的隐身之所。因此,如何善用数据,从运营历史的记录里,挖掘出深藏其中的宝贵经验,就是“数据挖掘”(Data Mining)的目的。
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借助其数据挖掘功能,具备了企业商业智能方案的性能和平实的价格,因而能在业界迅速普及。然而如何充分发挥Microsoft SQL Server在商业智能应用中的效果,则需要一定的专业知识和学习过程。针对业界实际需求,编写了这本教程,以期在实务应用和理论方法之间搭建一座桥梁。让读者迅速掌握现代商业智能应用的主要内容。
谢邦昌 郑宇庭 苏志雄
2011年7月
推荐序
前言
PART I 数据仓库、数据挖掘与商业智能
Chapter 1 绪论 2
1-1 商业智能 3
1-2 数据挖掘 7
Chapter 2 数据仓库 9
2-1 数据仓库定义 10
2-2 数据仓库特性 10
2-3 数据仓库架构 11
2-4 创建数据仓库的目的 12
2-5 数据仓库的运用 14
2-6 数据仓库的管理 14
Chapter 3 数据挖掘简介 16
3-1 数据挖掘的定义 17
3-2 数据挖掘的重要性 17
3-3 数据挖掘的功能 17
3-4 数据挖掘的步骤 18
3-5 数据挖掘建模的标准CRISP-DM 19
3-6 数据挖掘的应用 21
3-7 数据挖掘软件介绍 22
Chapter 4 数据挖掘的主要方法 24
4-1 回归分析 25
4-2 关联规则 27
4-3 聚类分析 27
4-4 判别分析 29
4-5 神经网络 29
4-6 决策树 31
4-7 其他分析方法 32
Chapter 5 数据挖掘与相关领域的关系 34
5-1 数据挖掘与统计分析 35
5-2 数据挖掘与数据仓库 35
5-3 数据挖掘与KDD 36
5-4 数据挖掘与OLAP 37
5-5 数据挖掘与机器学习 37
5-6 数据挖掘与WEB数据挖掘 38
PART II Microsoft SQL Server概述
Chapter 6 Microsoft SQL Server中的商业智能 40
6-1 MICROSOFT SQL SERVER入门 41
6-2 关系数据仓库 41
6-3 SQL SERVER 2008 R2概述 42
6-4 SQL SERVER 2008 R2技术 43
6-5 SQL SERVER 2008 R2新增功能 45
Chapter 7 Microsoft SQL Server中的
数据挖掘功能 46
7-1 创建商业智能应用程序 47
7-2 MICROSOFT SQL SERVER数据挖掘
功能的优势 48
7-3 MICROSOFT SQL SERVER数据挖掘算法 50
7-4 MICROSOFT SQL SERVER可扩展性 51
7-5 MICROSOFT SQL SERVER是数据挖掘与
商业智能的结合 51
7-6 使用数据挖掘可以解决的问题 52
Chapter 8 Microsoft SQL Server的分析服务
(Analysis Services) 56
8-1 创建多维数据集的结构 57
8-2 建立和部署多维数据集 58
8-3 从模板创建自定义的数据库 58
8-4 统一维度模型 59
8-5 基于属性的维度 59
8-6 维度类型 60
8-7 量度组和数据视图 61
8-8 计算效率 62
8-9 MDX脚本 62
8-10 存储过程 63
8-11 关键绩效指标(KPI) 64
8-12 实时商业智能 64
Chapter 9 Microsoft SQL Server的报表服务
(Reporting Services) 66
9-1 为何使用报表服务 67
9-2 报表服务的功能 67
Chapter 10 Microsoft SQL Server的整合服务 71
10-1 SSIS介绍 72
10-2 操作示例 79
Chapter 11 Microsoft SQL Server的
DMX语言 100
11-1 DMX语言介绍 101
11-2 DMX函数 102
11-3 DMX语法 107
11-4 DMX操作实例 115
PART III Microsoft SQL Server中的数据挖掘模型
Chapter 12 决策树模型 122
12-1 基本概念 123
12-2 决策树与判别函数 123
12-3 计算方法 124
12-4 操作范例 126
Chapter 13 贝叶斯分类器 134
13-1 基本概念 135
13-2 操作范例 137
Chapter 14 关联规则 147
14-1 基本概念 148
14-2 关联规则的种类 149
14-3 关联规则的算法:APRIORI算法 149
14-4 操作范例 150
Chapter 15 聚类分析 160
15-1 基本概念 161
15-2 层级聚类法与动态聚类法 161
15-3 操作范例 166
Chapter 16 时序聚类 176
16-1 基本概念 177
16-2 主要算法 177
16-3 操作示例 179
Chapter 17 线性回归模型 187
17-1 基本概念 188
17-2 一元回归模型 189
17-3 多元回归模型 192
17-4 操作范例 195
Chapter 18 逻辑回归模型 203
18-1 基本概念 204
18-2 LOGIT变换与LOGISTIC分布 204
18-3 逻辑回归模型 206
18-4 操作范例 207
Chapter 19 人工神经网络模型 215
19-1 基本概念 216
19-2 神经网络模型的特点 217
19-3 神经网络模型的优劣比较 218
19-4 操作范例 220
Chapter 20 时序模型 228
20-1 基本概念 229
20-2 时序的构成 231
20-3 简单时序的预测 237
20-4 包含趋势与季节成份的时序预测 238
20-5 参数化的时序预测模型 240
20-6 操作范例 243
PART IV Microsoft SQL Server数据挖掘应用实例
Chapter 21 决策树模型实例 253
Chapter 22 逻辑回归模型实例 260
22-1 回归模型实例一 261
22-2 回归模型实例二 266
22-3 回归模型实例三 270
Chapter 23 神经网络模型实例 275
23-1 神经网络模型实例一 276
23-2 神经网络模型实例二 281
Chapter 24 时序模型实例 292
24-1 时序模型实例一 293
24-2 时序模型实例二 297
Chapter 25 如何评估数据挖掘模型 303
25-1 评估图节点介绍 EVALUATION
CHART NODE 304
25-2 在SQL SERVER中如何评估模型 307
25-3 规则度量:支持度与可信度 311