第1章 數據挖掘和商業智能
1.1 數據挖掘的興起
1.1.1 數據豐富與知識匱乏
1.1.2 從數據到知識
1.1.3 數據挖掘産生
1.1.4 數據挖掘解決的商業問題
1.2 什麼是商業智能
1.2.1 企業決策實現過程的信息需求
1.2.2 企業信息化係統中的商業智能
1.2.3 商業智能的體係結構
1.3 數據挖掘和商業智能工具
1.3.1 商業智能工具的選擇
1.3.2 SQL Server 2008的商業智能構架
1.4 數據挖掘應用案例
【本章小結】
【練習題】
第2章 數據倉庫
2.1 數據倉庫的概念
2.1.1 從傳統數據庫到數據倉庫
2.1.2 數據倉庫的定義與基本特性
2.2 數據倉庫的體係結構
2.2.1 數據倉庫的物理結構
2.2.2 數據倉庫的係統結構
2.2.3 數據倉庫的數據模型
2.3 元數據
2.3.1 元數據的定義
2.3.2 元數據的分類及作用
2.4 數據集市
2.4.1 兩種數據集市結構
2.4.2 數據集市與數據倉庫的差彆
2.4.3 關於數據集市的誤區
2.5 數據倉庫設計與實施
2.5.1 自上而下還是自下而上的設計方法
2.5.2 數據倉庫的設計步驟
2.5.3 數據倉庫的實施
2.5.4 數據倉庫的使用和維護
2.6 Microsoft數據倉庫（DW）和商業智能（BI）工具
2.7 數據倉庫設計案例
2.7.1 業務數據庫AdventureWorks
2.7.2 業務數據分析
2.7.3 項目需求分析
2.7.4 構建數據倉庫
【本章小結】
【練習題】
第3章 數據預處理
3.1 數據預處理的重要性
3.2 數據清洗
3.2.1 遺漏數據處理
3.2.2 噪聲數據處理
3.2.3 不一緻數據處理
3.3 數據集成與轉換
3.3.1 數據集成處理
3.3.2 數據轉換處理
3.4 數據消減
3.4.1 數據立方閤計
3.4.2 維數消減
3.4.3 數據塊消減
3.5 離散化和概念層次樹生成
3.5.1 數值概念層次樹生成
3.5.2 類彆概念層次樹生成
3.6 使用SSIS對數據進行ETL操作
3.6.1 SSIS的主要功能
3.6.2 SSIS的體係結構
3.6.3 SSIS包主要對象
3.6.4 創建並運行一個簡單的包
【本章小結】
【思考題】
第4章 多維數據分析
4.1 多維數據分析基礎
4.2 多維數據分析方法
4.3 多維數據的存儲方式
4.3.1 三種存儲方式
4.3.2 三種存儲方式的比較
4.4 多維錶達式（MDX）
4.4.1 MDX中的重要概念
4.4.2 MDX基本語法
4.4.3 MDX與SQL的區彆
4.4.4 MDX核心函數
4.5 使用SQL Servet Analysis Services（SSAS）構建維度和多維數據集
4.5.1 SSAS的體係結構
4.5.2 SSAS的統一維度模型（UDM）
4.5.3 SSAS示例
4.6 使用Excel數據透視圖瀏覽多維數據集
【本章小結】
【思考題】
第5章 用Microsoft SSRS處理智能報錶
5.1 SSRS商業智能報錶
5.1.1 商業智能報錶與商業智能
5.1.2 SSRS的結構
5.1.3 SSRS報錶的3種狀態
5.2 使用SSRS創建報錶
5.2.1 創建一個簡單報錶項目
5.2.2 增強基本報錶的功能
5.2.3 發布報錶
【本章小結】
第6章 數據挖掘技術
6.1 數據挖掘的任務
6.1.1 分類
6.1.2 迴歸
6.1.3 時間序列分析
6.1.4 預測
6.1.5 聚類
6.1.6 關聯規則
6.1.7 序列分析
6.1.8 偏差檢測
6.2 數據挖掘的對象
6.3 數據挖掘係統的分類
6.4 數據挖掘項目的生命周期
6.4.1 商業理解
6.4.2 數據準備
6.4.3 模型構建
6.4.4 模型評估
6.4.5 應用集成和實施
6.5 數據挖掘麵臨的挑戰及發展
6.5.1 數據挖掘麵臨的挑戰
6.S.2 數據挖掘的發展趨勢
【本章小結】
【思考題】
第7章 關聯挖掘
7.1 關聯規則挖掘
7.1.1 購物分析：關聯挖掘
7.1.2 基本概念
7.1.3 關聯規則挖掘分類
7.2 單維布爾關聯規則挖掘
7.2.1 Apriori算法
7.2.2 關聯規則的生成
7.3 挖掘多層級關聯規則
7.3.1 挖掘多層次關聯規則
7.3.2 挖掘多層次關聯規則方法
7.3.3 多層次關聯規則的冗餘
7.4 多維關聯規則的挖掘
7.4.1 多維關聯規則
7.4.2 利用靜態離散挖掘多維關聯規則
7.5 關聯挖掘中的相關分析
7.5.1 無意義強關聯規則示例
7.5.2 從關聯分析到相關分析
7.6 利用Microsoft SSAS進行關聯挖掘
7.6.1 Microsoft關聯規則模型簡介
7.6.2 關聯規則數據挖掘示例
【本章小結】
【思考題】
第8章 分類與預測
8.1 分類與預測基本知識
8.2 有關分類和預測的幾個問題
8.3 基於決策樹的分類
8.3.1 決策樹生成算法
8.3.2 屬性選擇方法
8.3.3 樹枝修剪
8.3.4 決策樹分類規則獲取
8.3.5 級彆決策樹方法的改進
8.3.6 數據倉庫技術與決策樹歸納的結閤
8.4 貝葉斯分類方法
8.4.1 貝葉斯定理
8.4.2 基本貝葉斯分類方法
8.5 神經網絡分類方法
8.5.1 多層前饋神經網絡
8.5.2 神經網絡結構
8.5.3 後傳方法
8.5.4 後傳方法和可理解性
8.6 分類器準確性
8.6.1 分類器準確性估計
8.7 預測方法
8.7.1 綫性與多變量迴歸
8.7.2 非綫性迴歸
8.7.3 其它迴歸模型
8.8 Microsoft貝葉斯算法
8.8.1 貝葉斯算法的參數
8.8.2 使用貝葉斯模型
8.8.3 瀏覽貝葉斯模型
8.9. Microsoft決策樹算法
8.10 Microsoft神經網絡算法
【本章小結】
【思考題】
第9章 聚類分析
9.1 聚類分析概念
9.2 聚類分析中的數據類型
9.2.1 間隔數值屬性
9.2.2 二值屬性
9.2.3 符號、順序和比例數值屬性
9.2.4 混閤類型屬性
9.3 主要聚類方法
9.4 劃分方法
9.4.1 傳統劃分方法
9.4.2 大數據庫的劃分方法
9.5 層次方法
9.5.1 兩種基本層次聚類方法
9.6 基於密度方法
9.6.1 基於密度方法：DBSCAN
9.7 異常數據分析
9.7.1 基於統計的異常檢測方法
9.7.2 基於距離的異常檢測方法
9.7.3 基於偏差的異常檢查方法
9.8 Microsoft聚類算法
【本章小結】
【思考題】
第10章 時序數據和序列數據挖掘
10.1 時間序列模型
10.2 Microsoft的時序算法
10.2.1 自動迴歸
10.2.2 自動迴歸樹
10.2.3 數據中的季節性處理
10.2.4 使用預測函數預測值
10.3 Microsoft時序算法示例
10.4 Microsoft的序列模式挖掘
10.4.1 Microsoft序列聚類算法
10.4.2 序列聚類挖掘示例
【本章小結】
【思考題】
第11章 基於多維數據集的數據挖掘
11.1 OLAP和數據挖掘之間的關係
11.2 構建OLAP挖掘模型
【本章小結】
· · · · · · (收起)