本书的特点: 1.从数据库到数据仓库、从数据字典到元数据来说明数据仓库的兴起。 2.从联机事务处理(OLTP)到联机分析处理(OLAP)说明多维数据的兴起。 3.通过实例来说明多维数据分析的应用与数据立方体新技术。 4.从数据仓库的的决策支持和基于数据仓库的决策支持系统,来体现商务智能。 5.说明数据挖掘方法的原理:决策树方法的信息论原理;粗糙集方法和关联规则挖掘方法的集合论原理。 6.通过神经网络几何意义,说明神经网络的分类效果。 7.从神经网络引伸到深度学习算法。

第1章数据仓库与数据挖掘概述1 1.1数据仓库的兴起1 1.1.1从数据库到数据仓库1 1.1.2从OLTP到OLAP3 1.1.3数据字典与元数据5 1.1.4数据仓库的定义与特点6 1.2数据挖掘的兴起8 1.2.1从机器学习到数据挖掘8 1.2.2数据挖掘含义8 1.2.3数据挖掘与OLAP的比较9 1.2.4数据挖掘与统计学10 1.3智能技术11 1.3.1智能技术简述11 1.3.2数据仓库与商务智能15 1.3.3数据挖掘与人工智能18 习题119 第2章数据仓库原理21 2.1数据仓库结构体系21 2.1.1数据仓库结构21 2.1.2数据集市及其结构23 2.1.3数据仓库系统结构25 2.1.4数据仓库的运行结构27 2.2数据仓库数据模型27 2.2.1星型模型28 2.2.2雪花模型与星网模型29 2.2.3第三范式31数据仓库与数据挖掘教程(第3版)目录2.3数据抽取、转换和装载31 2.3.1数据抽取32 2.3.2数据转换33 2.3.3数据装载35 2.4元数据36 2.4.1元数据的重要性36 2.4.2关于数据源的元数据37 2.4.3关于数据模型的元数据37 2.4.4关于数据仓库映射的元数据38 2.4.5关于数据仓库使用的元数据40 习题240 第3章联机分析处理41 3.1OLAP概念41 3.1.1OLAP的定义41 3.1.2OLAP准则43 3.1.3OLAP的基本概念44 3.2OLAP的数据模型45 3.2.1MOLAP数据模型45 3.2.2ROLAP数据模型47 3.2.3MOLAP与ROLAP的比较47 3.3多维数据的显示50 3.3.1多维数据显示方法50 3.3.2多维类型结构51 3.3.3多维数据的分析视图52 3.4OALP的多维数据分析53 3.4.1多维数据分析的基本操作53 3.4.2多维数据分析实例56 3.4.3���义OLAP功能57 3.4.4数据立方体59 习题3 63 第4章数据仓库的决策支持65 4.1数据仓库的用户65 4.1.1信息查询65 4.1.2知识探索66 4.2数据仓库的决策支持与决策支持系统66 4.2.1查询与报表67 4.2.2多维分析与原因分析68 4.2.3预测未来69 4.2.4实时决策69 4.2.5自动决策71 4.2.6决策支持系统71 4.3数据仓库应用实例72 4.3.1航空公司数据仓库决策支持系统简例72 4.3.2统计业数据仓库系统76 4.3.3沃尔玛数据仓库系统79 习题481 第5章数据挖掘原理83 5.1数据挖掘综述83 5.1.1数据挖掘与知识发现83 5.1.2数据挖掘对象与分类84 5.1.3不完全数据处理88 5.1.4数据库的数据浓缩89 5.2数据挖掘方法和技术92 5.2.1归纳学习的信息论方法92 5.2.2归纳学习的集合论方法93 5.2.3仿生物技术的神经网络方法94 5.2.4仿生物技术的遗传算法94 5.2.5数值数据的公式发现94 5.3数据挖掘的知识表示95 5.3.1规则知识95 5.3.2决策树知识96 5.3.3知识基(浓缩数据)96 5.3.4神经网络权值96 5.3.5公式知识96 5.3.6案例97 习题598 第6章信息论方法99 6.1信息论原理99 6.1.1信道模型和学习信道模型100 6.1.2信息熵与条件熵100 6.1.3互信息与信息增益102 6.1.4信道容量与译码准则102 6.2决策树方法103 6.2.1决策树概念103 6.2.2ID3方法基本思想104 6.2.3ID3算法106 6.2.4实例与讨论106 6.2.5C4.5方法108 6.3决策规则树方法111 6.3.1IBLE方法基本思想111 6.3.2IBLE算法113 6.3.3IBLE方法实例115 习题6121 第7章集合论方法123 7.1粗糙集方法123 7.1.1粗糙集概念123 7.1.2属性约简的粗糙集理论126 7.1.3属性约简的粗糙集方法129 7.1.4粗糙集方法的规则获取130 7.1.5粗糙集方法的应用实例130 7.2K均值聚类133 7.2.1聚类方法简介133 7.2.2K均值聚类方法与实例136 7.3关联规则挖掘137 7.3.1关联规则的挖掘原理137 7.3.2Apriori算法基本思想141 7.3.3基于FPtree的关联规则挖掘算法143 习题7147 第8章神经网络与深度学习149 8.1神经网络概念与反向传播网络149 8.1.1神经网络原理149 8.1.2反向传播网络151 8.1.3BP网络学习公式推导151 8.1.4BP网络的典型实例156 8.2神经网络的几何意义157 8.2.1神经网络的超平面含义157 8.2.2异或问题的实例分析159 8.3深度学习160 8.3.1深度学习与多层网络的链式法则160 8.3.2卷积网络深度学习算法165 习题8171 第9章遗传算法与计算智能174 9.1遗传算法174 9.1.1遗传算法基本原理175 9.1.2遗传算子177 9.1.3遗传算法简例180 9.1.4遗传算法的特点182 9.2基于遗传算法的分类学习系统184 9.2.1概述184 9.2.2遗传分类学习系统GCLS的基本原理184 9.2.3遗传分类学习系统GCLS的应用188 9.3计算智能189 9.3.1计算智能概述189 9.3.2计算智能与人工智能191 习题9193 第10章强化学习与迁移学习和公式发现194 10.1强化学习194 10.1.1强化学习概念194 10.1.2强化学习算法与实例196 10.2迁移学习199 10.2.1迁移学习综述199 10.2.2迁移学习与类比学习比较202 10.2.3迁移学习与基于案例推理比较203 10.3公式发现204 10.3.1曲线拟合与发现学习204 11.3.2科学定律重新发现系统207 10.3.3经验公式发现系统211 习题10216 第11章知识挖掘217 11.1软件进化规律的知识挖掘217 11.1.1数值计算的进化 217 11.1.2计算机程序的进化222 11.1.3数据存储的进化224 11.1.4知识处理的进化227 11.1.5进化规律的知识挖掘229 11.2数学进化规律的知识挖掘233 11.2.1数学进化综述233 11.2.2数学进化的知识发现方法234 11.2.3数学发展中的映射变换237 11.2.4数学进化规律小结240 11.3变换规则的知识挖掘241 11.3.1适应变化环境的变换和变换规则241 11.3.2变换规则的知识挖掘的理论基础243 11.3.3变换规则的知识推理246 11.3.4变换规则链的知识挖掘248 11.3.5适应变化环境的变换规则元知识251 习题11254 第12章大数据与人工智能256 12.1大数据时代256 12.1.1从数据到决策的大数据时代256 12.1.2大数据的分析方法和决策支持方式259 12.1.3数据仓库与云计算262 12.2数据中相关性研究265 12.2.1寻找相关事物265 12.2.2科学研究中的相关性267 12.2.3矛盾与机遇两类相关性270 12.3人工智能277 12.3.1人工智能与知识277 12.3.2人工智能的本质280 12.3.3人工智能的发展方向282 习题12284 附录A各章习题中部分问答题的参考答案285 附录B各章习题中设计题和计算题的答案303 参考文献317