21世紀(jì)高等學(xué)校電子商務(wù)專業(yè)規(guī)劃教材

第1章數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)挖掘概述
1.1數(shù)據(jù)倉(cāng)庫(kù)概述
1.1.1數(shù)據(jù)倉(cāng)庫(kù)的定義
1.1.2數(shù)據(jù)倉(cāng)庫(kù)與操作型數(shù)據(jù)庫(kù)的關(guān)系
1.1.3數(shù)據(jù)倉(cāng)庫(kù)的應(yīng)用
1.2數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)及開(kāi)發(fā)工具
1.2.1數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)的組成
1.2.2數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)開(kāi)發(fā)工具
1.3商業(yè)智能和數(shù)據(jù)倉(cāng)庫(kù)
1.3.1什么是商業(yè)智能
1.3.2商業(yè)智能和數(shù)據(jù)倉(cāng)庫(kù)的關(guān)系
1.4數(shù)據(jù)挖掘概述
1.4.1數(shù)據(jù)挖掘的定義
1.4.2數(shù)據(jù)挖掘的主要任務(wù)
1.4.3數(shù)據(jù)挖掘的對(duì)象
1.4.4數(shù)據(jù)挖掘的知識(shí)表示
1.4.5數(shù)據(jù)挖掘與數(shù)據(jù)倉(cāng)庫(kù)及OLAP的關(guān)系
1.4.6數(shù)據(jù)挖掘的應(yīng)用
1.5數(shù)據(jù)挖掘過(guò)程
1.5.1數(shù)據(jù)挖掘步驟
1.5.2數(shù)據(jù)清理
1.5.3數(shù)據(jù)集成
1.5.4數(shù)據(jù)變換
1.5.5數(shù)據(jù)歸約
1.5.6離散化和概念分層生成
1.5.7數(shù)據(jù)挖掘的算法
練習(xí)題
第2章OLAP和多維數(shù)據(jù)模型
2.1OLAP概述
2.1.1什么是OLAP
2.1.2OLAP和OLTP的區(qū)別
2.1.3數(shù)據(jù)倉(cāng)庫(kù)與OLAP的關(guān)系
2.2多維數(shù)據(jù)模型
2.2.1多維數(shù)據(jù)模型的相關(guān)概念
2.2.2OLAP的基本分析操作
2.2.3多維數(shù)據(jù)模型的實(shí)現(xiàn)途徑
2.3數(shù)據(jù)倉(cāng)庫(kù)的維度建模
2.3.1數(shù)據(jù)倉(cāng)庫(kù)建模概述
2.3.2星形模型
2.3.3雪花模型
2.3.4事實(shí)星座模型
練習(xí)題
第3章數(shù)據(jù)倉(cāng)庫(kù)設(shè)計(jì)
3.1數(shù)據(jù)倉(cāng)庫(kù)設(shè)計(jì)概述
3.1.1數(shù)據(jù)倉(cāng)庫(kù)設(shè)計(jì)原則
3.1.2建立數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)的兩種模式
3.1.3數(shù)據(jù)倉(cāng)庫(kù)設(shè)計(jì)過(guò)程
3.2數(shù)據(jù)倉(cāng)庫(kù)規(guī)劃與需求分析
3.2.1數(shù)據(jù)倉(cāng)庫(kù)規(guī)劃
3.2.2數(shù)據(jù)倉(cāng)庫(kù)需求分析
3.3數(shù)據(jù)倉(cāng)庫(kù)建模
3.3.1數(shù)據(jù)倉(cāng)庫(kù)建模的主要工作
3.3.2維表設(shè)計(jì)
3.3.3事實(shí)表設(shè)計(jì)
3.4數(shù)據(jù)倉(cāng)庫(kù)物理模型設(shè)計(jì)
3.4.1確定數(shù)據(jù)的存儲(chǔ)結(jié)構(gòu)
3.4.2確定索引策略
3.4.3確定存儲(chǔ)分配
3.5數(shù)據(jù)倉(cāng)庫(kù)部署與維護(hù)
3.5.1數(shù)據(jù)倉(cāng)庫(kù)的部署
3.5.2數(shù)據(jù)倉(cāng)庫(kù)的維護(hù)
練習(xí)題
第4章SQLServer數(shù)據(jù)倉(cāng)庫(kù)開(kāi)發(fā)實(shí)例
4.1OnRetDW系統(tǒng)需求分析
4.1.1OnRetDW系統(tǒng)的主題
4.1.2OnRetDW系統(tǒng)的功能
4.2OnRetDW的建模
4.2.1維表設(shè)計(jì)
4.2.2事實(shí)表設(shè)計(jì)
4.3數(shù)據(jù)抽取工具設(shè)計(jì)
4.4基于SQL Server 2012設(shè)計(jì)OnRetDW
4.4.1創(chuàng)建數(shù)據(jù)倉(cāng)庫(kù)OnRetDW項(xiàng)目
4.4.2創(chuàng)建數(shù)據(jù)源
4.4.3創(chuàng)建數(shù)據(jù)源視圖
4.4.4創(chuàng)建維表
4.4.5創(chuàng)建多維數(shù)據(jù)集
4.4.6部署SDWS
4.4.7瀏覽已部署的多維數(shù)據(jù)集
4.5MDX簡(jiǎn)介*
4.5.1MDX語(yǔ)言概述
4.5.2執(zhí)行MDX查詢
4.5.3多維數(shù)據(jù)查詢
練習(xí)題
上機(jī)實(shí)驗(yàn)題
第5章關(guān)聯(lián)分析算法
5.1關(guān)聯(lián)分析概述
5.1.1什么是關(guān)聯(lián)分析
5.1.2事務(wù)數(shù)據(jù)庫(kù)
5.1.3關(guān)聯(lián)規(guī)則及其度量
5.1.4頻繁項(xiàng)集
5.1.5挖掘關(guān)聯(lián)規(guī)則的基本過(guò)程
5.2Apriori算法
5.2.1Apriori性質(zhì)
5.2.2Apriori算法求頻繁項(xiàng)集
5.2.3由頻繁項(xiàng)集產(chǎn)生強(qiáng)關(guān)聯(lián)規(guī)則
5.3SQL Server挖掘關(guān)聯(lián)規(guī)則
5.3.1創(chuàng)建DMK數(shù)據(jù)庫(kù)
5.3.2建立關(guān)聯(lián)挖掘項(xiàng)目
5.3.3部署關(guān)聯(lián)挖掘項(xiàng)目并瀏覽結(jié)果
5.4電子商務(wù)數(shù)據(jù)的關(guān)聯(lián)規(guī)則挖掘
5.4.1創(chuàng)建OnRetDMK數(shù)據(jù)庫(kù)
5.4.2數(shù)據(jù)加載功能設(shè)計(jì)
5.4.3建立關(guān)聯(lián)挖掘項(xiàng)目
5.4.4部署關(guān)聯(lián)挖掘項(xiàng)目并瀏覽結(jié)果
練習(xí)題
上機(jī)實(shí)驗(yàn)題
第6章決策樹(shù)分類算法
6.1分類過(guò)程
6.1.1分類概述
6.1.2分類過(guò)程的學(xué)習(xí)階段
6.1.3分類過(guò)程的分類階段
6.2決策樹(shù)分類
6.2.1決策樹(shù)
6.2.2建立決策樹(shù)的ID3算法
6.3SQL Server決策樹(shù)分類
6.3.1建立數(shù)據(jù)表
6.3.2建立決策樹(shù)分類挖掘模型
6.3.3瀏覽決策樹(shù)模型和分類預(yù)測(cè)
6.4電子商務(wù)數(shù)據(jù)的決策樹(shù)分類
6.4.1創(chuàng)建OnRetDMK.DST數(shù)據(jù)表
6.4.2數(shù)據(jù)加載功能設(shè)計(jì)
6.4.3建立決策樹(shù)分類模型
6.4.4瀏覽決策樹(shù)
練習(xí)題
上機(jī)實(shí)驗(yàn)題
第7章貝葉斯分類算法
7.1貝葉斯分類概述
7.1.1貝葉斯定理
7.1.2貝葉斯信念網(wǎng)絡(luò)
7.2樸素貝葉斯分類
7.2.1樸素貝葉斯分類原理
7.2.2樸素貝葉斯分類算法
7.3SQL Server樸素貝葉斯分類
7.3.1建立樸素貝葉斯分類挖掘模型
7.3.2瀏覽樸素貝葉斯分類模型和分類預(yù)測(cè)
7.4電子商務(wù)數(shù)據(jù)的貝葉斯分類
7.4.1建立樸素貝葉斯分類挖掘模型
7.4.2瀏覽挖掘結(jié)果及分析
練習(xí)題
上機(jī)實(shí)驗(yàn)題
第8章神經(jīng)網(wǎng)絡(luò)算法
8.1人工神經(jīng)網(wǎng)絡(luò)概述
8.1.1人工神經(jīng)元
8.1.2人工神經(jīng)網(wǎng)絡(luò)
8.1.3神經(jīng)網(wǎng)絡(luò)應(yīng)用
8.2用于分類的前饋神經(jīng)網(wǎng)絡(luò)
8.2.1前饋神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程
8.2.2前饋神經(jīng)網(wǎng)絡(luò)用于分類的算法
8.3SQL Server神經(jīng)網(wǎng)絡(luò)分類
8.3.1建立神經(jīng)網(wǎng)絡(luò)分類挖掘模型
8.3.2瀏覽神經(jīng)網(wǎng)絡(luò)分類模型和分類預(yù)測(cè)
8.4電子商務(wù)數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)分類
8.4.1建立神經(jīng)網(wǎng)絡(luò)分類挖掘模型
8.4.2瀏覽挖掘結(jié)果及分析
練習(xí)題
上機(jī)實(shí)驗(yàn)題
第9章回歸分析算法
9.1回歸分析概述
9.2線性回歸分析
9.2.1一元線性回歸分析
9.2.2多元線性回歸分析
9.2.3SQL Server線性回歸分析
9.3非線性回歸分析
9.3.1非線性回歸分析的處理方法
9.3.2可轉(zhuǎn)換成線性回歸的非線性回歸
9.3.3不可變換成線性回歸的非線性回歸分析*
9.4邏輯回歸分析
9.4.1邏輯回歸原理
9.4.2邏輯回歸模型
9.4.3SQL Server邏輯回歸分析
9.5電子商務(wù)數(shù)據(jù)的邏輯回歸分析
9.5.1建立邏輯回歸挖掘模型
9.5.2瀏覽挖掘結(jié)果及分析
練習(xí)題
上機(jī)實(shí)驗(yàn)題
第10章時(shí)間序列分析
10.1時(shí)間序列分析概述
10.1.1什么是時(shí)間序列和時(shí)間序列分析
10.1.2時(shí)間序列的分類和平穩(wěn)性判斷
10.1.3時(shí)間序列建模的兩種基本假設(shè)
10.1.4回歸分析與時(shí)間序列分析
10.2確定性時(shí)間序列分析
10.2.1移動(dòng)平均模型
10.2.2指數(shù)平滑模型
10.3隨機(jī)時(shí)間序列模型*
10.3.1隨機(jī)時(shí)間序列模型概述
10.3.2自回歸模型AR(p)
10.4SQL Server時(shí)間序列分析
10.4.1建立數(shù)據(jù)表
10.4.2建立時(shí)間序列分析模型
10.4.3瀏覽時(shí)間序列分析模型
10.5電子商務(wù)數(shù)據(jù)的時(shí)間序列分析
10.5.1創(chuàng)建OnRetDMK.TS數(shù)據(jù)表
10.5.2數(shù)據(jù)加載功能設(shè)計(jì)
10.5.3建立時(shí)間序列分析模型
10.5.4瀏覽時(shí)間序列分析模型
練習(xí)題
上機(jī)實(shí)驗(yàn)題
第11章聚類算法
11.1聚類概述
11.1.1什么是聚類
11.1.2相似性度量
11.1.3聚類過(guò)程
11.1.4常見(jiàn)的聚類算法
11.1.5聚類分析的應(yīng)用
11.2k均值算法及其應(yīng)用
11.2.1k均值算法
11.2.2SQL Server的k均值算法應(yīng)用
11.3EM算法及其應(yīng)用
11.3.1EM算法
11.3.2SQL Server中EM算法
11.4電子商務(wù)數(shù)據(jù)的聚類分析
11.4.1建立聚類挖掘模型
11.4.2兩種算法結(jié)果的比較
11.5Microsoft順序分析和聚類分析算法*
11.5.1Microsoft順序分析和聚類分析算法概述
11.5.2Microsoft順序分析和聚類分析算法的應(yīng)用
練習(xí)題
上機(jī)實(shí)驗(yàn)題
附錄A部分練習(xí)題參考答案
第1章
第2章
第3章
第4章
第5章
第6章
第7章
第8章
第9章
第10章
第11章
附錄B上機(jī)實(shí)驗(yàn)題參考答案
第4章
第5章
第6章
第7章
第8章
第9章
第10章
第11章
附錄C書(shū)中數(shù)據(jù)庫(kù)和包含的數(shù)據(jù)表
1. OnRet數(shù)據(jù)庫(kù)
2. SDW數(shù)據(jù)庫(kù)
3. OnRetDMK數(shù)據(jù)庫(kù)
4. DMK數(shù)據(jù)庫(kù)
參考文獻(xiàn)