商務智能與數(shù)據(jù)挖掘（第2版）

目錄
第1章商務智能概述

1.1商務智能的概念

1.1.1數(shù)據(jù)、信息與知識

1.1.2商務智能的定義

1.1.3商務智能的特點

1.1.4商務智能的過程

1.2商務智能的產(chǎn)生與發(fā)展

1.2.1商務智能的產(chǎn)生和發(fā)展過程

1.2.2商務智能與其他系統(tǒng)的關系

1.3商務智能的研究內容

1.4商務智能系統(tǒng)的支撐技術

1.5商務智能系統(tǒng)框架及數(shù)據(jù)流程

1.5.1商務智能系統(tǒng)框架

1.5.2商務智能系統(tǒng)的數(shù)據(jù)流程

1.6主流商務智能產(chǎn)品

1.6.1主流商務智能產(chǎn)品簡介

1.6.2商務智能的抉擇

1.7商務智能的未來發(fā)展趨勢

1.8商務智能的應用

小結

習題

第2章商務智能中的核心技術

2.1數(shù)據(jù)倉庫

2.1.1數(shù)據(jù)倉庫的產(chǎn)生與發(fā)展

2.1.2數(shù)據(jù)倉庫的概念與特征

2.1.3ETL

2.1.4數(shù)據(jù)集市

2.1.5數(shù)據(jù)倉庫的數(shù)據(jù)組織

2.1.6數(shù)據(jù)倉庫的體系結構

2.1.7數(shù)據(jù)倉庫的開發(fā)步驟

2.2在線分析處理

2.2.1OLAP簡介

2.2.2OLAP的定義和相關概念

2.2.3OLAP與OLTP的區(qū)別

2.2.4OLAP的分類

2.2.5OLAP多維數(shù)據(jù)分析

2.3數(shù)據(jù)可視化

2.3.1什么是數(shù)據(jù)可視化

2.3.2數(shù)據(jù)可視化的優(yōu)勢

2.3.3數(shù)據(jù)可視化工具

小結

習題

第3章數(shù)據(jù)挖掘概述

3.1數(shù)據(jù)挖掘的起源與發(fā)展

3.1.1數(shù)據(jù)挖掘的起源

3.1.2數(shù)據(jù)挖掘的發(fā)展

3.2數(shù)據(jù)挖掘所要解決的問題

3.3數(shù)據(jù)挖掘的定義

3.4數(shù)據(jù)挖掘的過程

3.5數(shù)據(jù)挖掘系統(tǒng)

3.5.1數(shù)據(jù)挖掘系統(tǒng)的分類

3.5.2數(shù)據(jù)挖掘系統(tǒng)的發(fā)展

3.6數(shù)據(jù)挖掘的功能和方法

3.6.1數(shù)據(jù)挖掘的功能

3.6.2數(shù)據(jù)挖掘的方法

3.7數(shù)據(jù)挖掘的典型應用領域

3.8數(shù)據(jù)挖掘的發(fā)展趨勢

小結

習題

第4章分類分析

4.1預備知識

4.2解決分類問題的一般方法

4.3分類算法

4.3.1貝葉斯分類器

4.3.2貝葉斯信念網(wǎng)絡

4.3.3決策樹

4.3.4支持向量機

4.3.5粗糙集

4.3.6其他分類算法

4.4評估分類器的性能

4.4.1保持方法

4.4.2隨機二次抽樣

4.4.3交叉驗證

4.4.4自助法

小結

習題

第5章關聯(lián)分析

5.1引言

5.2基本概念

5.3關聯(lián)規(guī)則的種類

5.4關聯(lián)規(guī)則的研究現(xiàn)狀

5.5關聯(lián)規(guī)則挖掘算法

5.5.1Apriori算法

5.5.2Apriori改進算法

5.5.3FP增長算法

5.6改善關聯(lián)規(guī)則挖掘質量問題

5.6.1用戶主觀層面

5.6.2系統(tǒng)客觀層面

5.7約束數(shù)據(jù)挖掘問題

小結

習題

第6章聚類分析

6.1聚類的概念

6.1.1聚類概念及應用

6.1.2聚類算法要求

6.1.3聚類技術類型劃分

6.2聚類分析的統(tǒng)計量

6.2.1模型定義

6.2.2相似性度量

6.3常用聚類算法

6.3.1k均值算法

6.3.2kmedoids算法

6.3.3凝聚層次聚類算法

6.3.4DBSCAN算法

6.3.5STING算法

6.3.6CLIQUE算法

6.4簇評估

6.4.1概述

6.4.2非監(jiān)督簇評估：使用凝聚度和分離度

6.4.3非監(jiān)督簇評估：使用鄰近度矩陣

6.4.4層次聚類的非監(jiān)督評估

6.4.5確定正確的簇個數(shù)

6.4.6聚類趨勢

6.4.7簇有效性的監(jiān)督度量

6.5聚類與分類比較

小結

習題

第7章深度學習

7.1深度學習的由來

7.1.1深度學習的神經(jīng)學啟示

7.1.2淺層結構函數(shù)表示能力的局限性

7.1.3特征提取的需要

7.2深度學習的經(jīng)典方法

7.2.1深度學習表示模型和網(wǎng)絡結構

7.2.2自動編碼器

7.2.3受限玻爾茲曼機

7.2.4卷積神經(jīng)網(wǎng)絡

7.3深度學習的應用

7.3.1深度學習在語音識別、合成及機器翻譯中的應用

7.3.2深度學習在圖像分類及識別中的應用

7.3.3深度學習在視頻分類及行為識別中的應用

7.4深度學習的研究近況及未來研究方向

7.4.1研究近況

7.4.2未來研究方向

小結

習題

第8章Web挖掘技術

8.1Web數(shù)據(jù)挖掘概述

8.1.1Web數(shù)據(jù)挖掘的概念

8.1.2Web數(shù)據(jù)挖掘的特點

8.1.3Web數(shù)據(jù)挖掘的處理流程

8.1.4Web數(shù)據(jù)挖掘與信息檢索、信息抽取的區(qū)別

8.2Web數(shù)據(jù)挖掘分類

8.2.1Web內容挖掘概述

8.2.2Web結構挖掘概述

8.2.3Web使用挖掘概述

8.3Web內容挖掘

8.3.1特征提取和特征表示

8.3.2自動摘要

8.3.3文本分類

8.3.4文本聚類

8.4Web結構挖掘

8.4.1超鏈和頁面內容的關系

8.4.2不同挖掘階段的分析

8.4.3PageRank

8.4.4HITS

8.4.5兩種算法的比較

8.4.6Web結構挖掘應用

8.5Web使用挖掘

8.5.1Web使用挖掘數(shù)據(jù)預處理

8.5.2Web使用挖掘模式發(fā)現(xiàn)

8.5.3Web使用挖掘模式分析

8.5.4Web使用挖掘模式應用

小結

習題

第9章數(shù)據(jù)挖掘在電子商務中的應用

9.1網(wǎng)站結構優(yōu)化

9.2智能搜索引擎

9.2.1網(wǎng)絡機器人

9.2.2文本分析

9.2.3搜索條件的獲取和分析

9.2.4信息的搜索和排序

9.3移動商務智能

9.4客戶關系管理

9.4.1營銷

9.4.2銷售

9.4.3客戶服務

9.4.4客戶保持

9.4.5風險評估和欺詐識別

9.5客戶分類

9.5.1傳統(tǒng)的客戶分類理論

9.5.2基于客戶行為的客戶分類

9.5.3基于客戶生命周期的客戶分類

9.5.4基于客戶生命周期價值的客戶分類

小結

習題

參考文獻