數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘是與計(jì)算機(jī)、信息類(lèi)等相關(guān) 專(zhuān)業(yè)的核心課程。張興會(huì)等編著的《數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù) 挖掘工程實(shí)例》采用提出問(wèn)題、分析問(wèn)題、解決問(wèn)題 的思路，通過(guò)工程實(shí)例介紹了SQL Server 2005和 Weka軟件的使用方法以及聯(lián)機(jī)分析處理技術(shù)、關(guān)聯(lián)規(guī) 則方法、決策樹(shù)方法、貝葉斯方法、人工神經(jīng)網(wǎng)絡(luò)方 法、聚類(lèi)分析方法、線性回歸方法等數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù) 挖掘技術(shù)。

數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘工程實(shí)例結(jié)構(gòu)嚴(yán)謹(jǐn)，條理清晰，語(yǔ)言淺顯易懂，循序 漸進(jìn)地表達(dá)了知識(shí)內(nèi)容；堅(jiān)持理論與實(shí)際相結(jié)合，知 識(shí)理論與具體實(shí)現(xiàn)方法相結(jié)合，使技術(shù)實(shí)現(xiàn)具體化、 生動(dòng)化、可操作化；工程實(shí)例的實(shí)現(xiàn)過(guò)程建立在 SQLServer2005和Weka軟件的基礎(chǔ)上，以幫助讀者在 學(xué)習(xí)后達(dá)到學(xué)以致用的效果。本書(shū)可以和《數(shù)據(jù)倉(cāng)庫(kù) 與數(shù)據(jù)挖掘技術(shù)》教材配合使用，旨在幫助讀者在學(xué) 習(xí)數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘理論知識(shí)的基礎(chǔ)上，通過(guò)學(xué)習(xí) 工程實(shí)例分析，較好地掌握數(shù)據(jù)挖掘與數(shù)據(jù)倉(cāng)庫(kù)構(gòu)建 模型的操作過(guò)程，進(jìn)一步提高對(duì)信息管理和利用能力 。

數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘工程實(shí)例可以作為計(jì)算機(jī)、信息類(lèi)等專(zhuān)業(yè)本科生數(shù)據(jù) 挖掘課程的教材，也可以作為其他專(zhuān)業(yè)技術(shù)人員的自 學(xué)參考書(shū)。

目錄
實(shí)例1 基于聯(lián)機(jī)分析處理技術(shù)的稅務(wù)審計(jì)分析
1.1 任務(wù)描述
1.2 技術(shù)原理
1.2.1 聯(lián)機(jī)分析處理的定義
1.2.2 聯(lián)機(jī)分析處理的一些具體操作
1.3 具體實(shí)現(xiàn)
1.3.1 建立數(shù)據(jù)庫(kù)
1.3.2 新建數(shù)據(jù)源
1.3.3 新建數(shù)據(jù)源視圖
1.3.4 瀏覽數(shù)據(jù)
1.3.5 數(shù)據(jù)分析
1.4 案例總結(jié)
實(shí)例2 基于關(guān)聯(lián)規(guī)則方法的網(wǎng)上交易服務(wù)質(zhì)量評(píng)價(jià)分析
2.1 任務(wù)描述
2.2 技術(shù)原理
2.2.1 關(guān)聯(lián)規(guī)則的概念
2.2.2 Apriori算法
2.3 具體實(shí)現(xiàn)
2.4 案例小結(jié)
實(shí)例3 基于Weka KnowledgFlow模塊的大學(xué)生專(zhuān)業(yè)方向預(yù)測(cè)分析
3.1 任務(wù)描述
3.2 技術(shù)原理
3.2.1 數(shù)據(jù)收集和準(zhǔn)備
3.2.2 模型選擇
3.3 具體實(shí)現(xiàn)
3.3.1 數(shù)據(jù)預(yù)處理
3.3.2 建立和使用知識(shí)流
3.4 案例小結(jié)
實(shí)例4 基于決策樹(shù)方法的網(wǎng)球運(yùn)動(dòng)天氣狀況評(píng)價(jià)分析
4.1 任務(wù)描述
4.2 技術(shù)原理
4.2.1 決策樹(shù)的概念
4.2.2 信息論的基本概念
4.2.3 ID3建樹(shù)算法
4.3 具體實(shí)現(xiàn)
4.4 案例小結(jié)
實(shí)例5 基于Weka Experimenter模塊的人力資源管理挖掘模型選擇分析
5.1 任務(wù)描述
5.2 技術(shù)原理
5.2.1 挖掘類(lèi)型確定
5.2.2 數(shù)據(jù)收集和準(zhǔn)備
5.3 具體實(shí)現(xiàn)
5.3.1 數(shù)據(jù)預(yù)處理
5.3.2 模型比較和選擇
5.4 案例小結(jié)
實(shí)例6 基于貝葉斯方法的證券客戶(hù)流失預(yù)警分析
6.1 任務(wù)描述
6.2 技術(shù)原理
6.2.1 樸素貝葉斯分類(lèi)算法
6.2.2 樸素貝葉斯分類(lèi)舉例
6.3 具體實(shí)現(xiàn)
6.4 案例小結(jié)
實(shí)例7 基于人工神經(jīng)網(wǎng)絡(luò)方法的信貸數(shù)據(jù)分析
7.1 任務(wù)描述
7.2 技術(shù)原理
7.2.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
7.2.2 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法
7.3 具體實(shí)現(xiàn)
7.3.1 數(shù)據(jù)準(zhǔn)備
7.3.2 挖掘流程
7.4 案例小結(jié)
實(shí)例8 基于K-means方法的梔子花聚類(lèi)分析
8.1 任務(wù)描述
8.2 技術(shù)原理
8.3 具體實(shí)現(xiàn)
8.4 案例小結(jié)
實(shí)例9 基于線性回歸方法的汽車(chē)油耗預(yù)測(cè)分析
9.1 任務(wù)描述
9.2 技術(shù)原理
9.3 具體實(shí)現(xiàn)
9.4 案例小結(jié)
實(shí)例10 基于決策樹(shù)方法的中文文本自動(dòng)分類(lèi)分析
10.1 任務(wù)描述
10.2 技術(shù)原理
10.2.1 文本挖掘的概念
10.2.2 文本分詞技術(shù)
10.2.3 文本特征表示
10.3 具體實(shí)現(xiàn)
10.4 案例小結(jié)
附錄A SQL Server 2005的安裝
A1 任務(wù)描述
A2 具體實(shí)現(xiàn)
附錄B Weka軟件的安裝和數(shù)據(jù)轉(zhuǎn)換
B1 任務(wù)描述
B2 具體實(shí)現(xiàn)
參考文獻(xiàn)