目前,數(shù)據(jù)正以前所未有的速度爆炸式增長,海量的數(shù)據(jù)已成為各行各業(yè)重要的戰(zhàn)略資源。圍繞這些數(shù)據(jù)進行可行的深入分析與挖掘,對幾乎所有社會領域的決策都越來越重要。數(shù)據(jù)倉庫與數(shù)據(jù)挖掘將傳統(tǒng)的數(shù)據(jù)分析方法與用于處理大量數(shù)據(jù)的復雜算法相結合,利用數(shù)據(jù)庫管理技術和大量以機器學習為基礎的數(shù)據(jù)分析技術,為數(shù)據(jù)庫中的知識發(fā)現(xiàn)提供有效支撐。
因此,本書從數(shù)據(jù)倉庫設計實現(xiàn)和數(shù)據(jù)挖掘的業(yè)務流程出發(fā),全面、系統(tǒng)地介紹了數(shù)據(jù)倉庫的設計開發(fā)和數(shù)據(jù)挖掘的基本概念、主要思想和典型的數(shù)據(jù)挖掘算法。本書將數(shù)據(jù)倉庫和數(shù)據(jù)挖掘的理論與實踐充分結合,以便加深、加快讀者對所學內容的理解和掌握。
全書共13章,內容涵蓋數(shù)據(jù)理論基礎、數(shù)據(jù)預處理、數(shù)據(jù)倉庫與聯(lián)機分析處理、數(shù)據(jù)倉庫設計與開發(fā)、回歸分析、關聯(lián)規(guī)則挖掘、分類、聚類、神經網(wǎng)絡與深度學習、離群點檢測以及文本和時序數(shù)據(jù)挖掘等內容。書中各章節(jié)相互獨立,讀者可根據(jù)自己的興趣選擇使用。各章力求原理敘述清晰,易于理解,突出理論聯(lián)系實際,輔以代碼實踐與指導,引領讀者更好地理解與應用算法,快速邁進數(shù)據(jù)倉庫與數(shù)據(jù)挖掘領域,掌握機器學習算法的理論和應用。同時,除第13章外,書中每章都給出了小結和習題,可以幫助讀者鞏固本章學習內容,擴展相關知識。
本書特色:
(1) 內容系統(tǒng)全面,講解深入淺出,易于理解。
(2) 詳細介紹了數(shù)據(jù)倉庫與數(shù)據(jù)挖掘的業(yè)務流程與典型方法。
(3) 配備了多個項目案例,理論結合實踐。
(4) 配套資源豐富,方便教學。
本書的配套資源包括教學大綱、教學課件、電子教案、程序源碼和習題答案,編者還為本書精心錄制了600分鐘的微課視頻。
資源下載提示
課件等資源: 掃描封底的課件下載二維碼,在公眾號書圈下載。
素材(源碼)等資源: 掃描目錄上方的二維碼下載。
視頻等資源: 掃描封底的文泉云盤防盜碼,再掃描書中相應章節(jié)的二維碼,可以在線學習。
本書由魏偉一、張國治和秦紅武主編,由于編者水平有限,書中疏漏之處在所難免,懇請讀者批評指正。
本書在編寫過程中得到了西北師范大學2022年教材建設項目的資助,在此表示衷心感謝。
編者2023年1月
第1章緒論
1.1數(shù)據(jù)倉庫概述
1.1.1數(shù)據(jù)倉庫的定義及特點
1.1.2數(shù)據(jù)倉庫與操作型數(shù)據(jù)庫的關系
1.1.3數(shù)據(jù)倉庫的組成
1.1.4數(shù)據(jù)倉庫的應用
1.1.5基于Hadoop/Spark的數(shù)據(jù)倉庫技術
1.2數(shù)據(jù)挖掘概述
1.2.1數(shù)據(jù)挖掘的概念
1.2.2數(shù)據(jù)挖掘的主要任務
1.2.3數(shù)據(jù)挖掘的數(shù)據(jù)源
1.2.4數(shù)據(jù)挖掘使用的技術
1.2.5數(shù)據(jù)挖掘存在的主要問題
1.2.6數(shù)據(jù)挖掘建模的常用工具
1.2.7Python數(shù)據(jù)挖掘常用庫
1.3數(shù)據(jù)倉庫與數(shù)據(jù)挖掘的區(qū)別與聯(lián)系
1.3.1數(shù)據(jù)倉庫與數(shù)據(jù)挖掘的區(qū)別
1.3.2數(shù)據(jù)倉庫與數(shù)據(jù)挖掘的聯(lián)系
1.4小結
習題1
第2章認識數(shù)據(jù)
2.1屬性及其類型
2.1.1屬性
2.1.2屬性類型
2.2數(shù)據(jù)的基本統(tǒng)計描述
2.2.1中心趨勢度量
2.2.2數(shù)據(jù)散布度量
2.3數(shù)據(jù)可視化
2.3.1基于像素的可視化技術
2.3.2幾何投影可視化技術
2.3.3基于圖符的可視化技術
2.3.4層次可視化技術
2.3.5可視化復雜對象和關系
2.3.6高維數(shù)據(jù)可視化
2.3.7Python數(shù)據(jù)可視化
2.4數(shù)據(jù)對象的相似性度量
2.4.1數(shù)據(jù)矩陣和相異性矩陣
2.4.2標稱屬性的相似性度量
2.4.3二元屬性的相似性度量
2.4.4數(shù)值屬性的相似性度量
2.4.5序數(shù)屬性的相似性度量
2.4.6混合類型屬性的相似性
2.4.7余弦相似性
2.4.8距離度量的Python實現(xiàn)
2.5小結
習題2
第3章數(shù)據(jù)預處理
3.1數(shù)據(jù)預處理的必要性
3.1.1原始數(shù)據(jù)中存在的問題
3.1.2數(shù)據(jù)質量要求
3.2數(shù)據(jù)清洗
3.2.1數(shù)據(jù)清洗方法
3.2.2利用Pandas進行數(shù)據(jù)清洗
3.3數(shù)據(jù)集成
3.3.1數(shù)據(jù)集成過程中的關鍵問題
3.3.2利用Pandas合并數(shù)據(jù)
3.4數(shù)據(jù)標準化
3.4.1離差標準化數(shù)據(jù)
3.4.2標準差標準化數(shù)據(jù)
3.5數(shù)據(jù)歸約
3.5.1維歸約
3.5.2數(shù)量歸約
3.5.3數(shù)據(jù)壓縮
3.6數(shù)據(jù)變換與數(shù)據(jù)離散化
3.6.1數(shù)據(jù)變換的策略
3.6.2Python數(shù)據(jù)變換與離散化
3.7利用sklearn進行數(shù)據(jù)預處理
3.8小結
習題3
第4章數(shù)據(jù)倉庫與聯(lián)機分析處理
4.1數(shù)據(jù)倉庫的體系
4.1.1數(shù)據(jù)倉庫體系結構
4.1.2數(shù)據(jù)ETL
4.1.3數(shù)據(jù)集市
4.1.4元數(shù)據(jù)
4.2多維數(shù)據(jù)模型與OLAP
4.2.1多維數(shù)據(jù)模型的相關概念
4.2.2OLAP的基本分析操作
4.2.3多維數(shù)據(jù)模型的實現(xiàn)
4.3數(shù)據(jù)倉庫的維度建模
4.3.1數(shù)據(jù)倉庫維度建模概述
4.3.2星形模型
4.3.3雪花模型
4.4數(shù)據(jù)倉庫發(fā)展
4.4.1動態(tài)數(shù)據(jù)倉庫
4.4.2數(shù)據(jù)中心
4.4.3數(shù)據(jù)中臺
4.5小結
習題4
第5章數(shù)據(jù)倉庫設計與開發(fā)
5.1數(shù)據(jù)倉庫設計概述
5.1.1數(shù)據(jù)倉庫設計的特點
5.1.2數(shù)據(jù)倉庫設計與業(yè)務系統(tǒng)模型設計的區(qū)別
5.1.3數(shù)據(jù)倉庫構建模式
5.1.4數(shù)據(jù)倉庫建立框架
5.2數(shù)據(jù)倉庫設計
5.2.1數(shù)據(jù)倉庫規(guī)劃、需求分析及概念設計
5.2.2數(shù)據(jù)倉庫邏輯模型設計
5.2.3數(shù)據(jù)倉庫物理模型設計
5.2.4數(shù)據(jù)倉庫部署與維護
5.3基于Hive的數(shù)據(jù)倉庫實現(xiàn)
5.3.1Hadoop/Hive簡介
5.3.2Hive數(shù)據(jù)倉庫和數(shù)據(jù)庫比較
5.3.3Hive常用數(shù)據(jù)操作
5.3.4利用Hive建立數(shù)據(jù)倉庫
5.4小結
習題5
第6章回歸分析
6.1回歸分析概述
6.1.1回歸分析的定義與分類
6.1.2回歸分析的過程
6.2一元線性回歸分析
6.2.1一元線性回歸方法
6.2.2一元線性回歸模型的參數(shù)估計
6.2.3一元線性回歸模型的誤差方差估計
6.2.4一元線性回歸模型的主要統(tǒng)計檢驗
6.2.5一元線性回歸的Python實現(xiàn)
6.3多元線性回歸
6.3.1多元線性回歸模型
6.3.2多元線性回歸模型的參數(shù)估計
6.3.3多元線性回歸的假設檢驗及其評價
6.3.4多元線性回歸的Python實現(xiàn)
6.4邏輯回歸
6.4.1邏輯回歸模型
6.4.2邏輯回歸的Python實現(xiàn)
6.5其他回歸分析
6.5.1多項式回歸
6.5.2嶺回歸
6.5.3Lasso回歸
6.5.4彈性回歸
6.5.5逐步回歸
6.6小結
習題6
第7章關聯(lián)規(guī)則挖掘
7.1關聯(lián)規(guī)則挖掘概述
7.2頻繁項集、閉項集和關聯(lián)規(guī)則
7.3頻繁項集挖掘方法
7.3.1Apriori算法
7.3.2由頻繁項集產生關聯(lián)規(guī)則
7.3.3提高Apriori算法的效率
7.3.4頻繁模式增長算法
7.3.5使用垂直數(shù)據(jù)格式挖掘頻繁項集
7.4關聯(lián)模式評估方法
7.5Apriori算法應用
7.6小結
習題7
第8章分類
8.1分類概述
8.2決策樹歸納
8.2.1決策樹原理
8.2.2ID3算法
8.2.3C4.5算法
8.2.4CART算法
8.2.5樹剪枝
8.2.6決策樹應用
8.3K近鄰算法
8.3.1算法原理
8.3.2Python算法實現(xiàn)
8.4支持向量機
8.4.1算法原理
8.4.2Python算法實現(xiàn)
8.5樸素貝葉斯分類
8.5.1算法原理
8.5.2高斯樸素貝葉斯分類
8.5.3多項式樸素貝葉斯分類
8.5.4樸素貝葉斯分類應用
8.6模型評估與選擇
8.6.1分類器性能的度量
8.6.2模型選擇
8.7組合分類
8.7.1組合分類方法簡介
8.7.2袋裝
8.7.3提升和AdaBoost
8.7.4隨機森林
8.8小結
習題8
第9章聚類
9.1聚類分析概述
9.1.1聚類分析的概念
9.1.2聚類算法分類
9.2KMeans聚類
9.2.1算法原理
9.2.2算法改進
9.2.3KMeans算法實現(xiàn)
9.3層次聚類
9.3.1算法原理
9.3.2簇間的距離度量
9.3.3分裂層次聚類
9.3.4凝聚層次聚類
9.3.5層次聚類應用
9.4基于密度的聚類
9.4.1算法原理
9.4.2算法改進
9.4.3DBSCAN算法實現(xiàn)
9.5其他聚類方法
9.5.1STING聚類
9.5.2概念聚類
9.5.3模糊聚類
9.6聚類評估
9.6.1聚類趨勢的估計
9.6.2聚類簇數(shù)的確定
9.6.3聚類質量的測定
9.7小結
習題9
第10章神經網(wǎng)絡與深度學習
10.1神經網(wǎng)絡基礎
10.1.1神經元模型
10.1.2感知機與多層網(wǎng)絡
10.2BP神經網(wǎng)絡
10.2.1多層前饋神經網(wǎng)絡
10.2.2后向傳播算法
10.2.3BP神經網(wǎng)絡應用
10.3深度學習
10.3.1深度學習概述
10.3.2常用的深度學習算法
10.4小結
習題10
第11章離群點檢測
11.1離群點概述
11.1.1離群點的概念
11.1.2離群點的類型
11.1.3離群點檢測的挑戰(zhàn)
11.2離群點的檢測
11.2.1基于統(tǒng)計學的離群點檢測
11.2.2基于鄰近性的離群點檢測
11.2.3基于聚類的離群點檢測
11.2.4基于分類的離群點檢測
11.3sklearn中的異常檢測方法
11.4小結
習題11
第12章文本和時序數(shù)據(jù)挖掘
12.1文本數(shù)據(jù)挖掘
12.1.1文本挖掘概述
12.1.2文本挖掘的過程與任務
12.2文本分析與挖掘的主要方法
12.2.1詞語分詞
12.2.2詞性標注與停用詞過濾
12.2.3文本表征
12.2.4文本分類
12.2.5文本聚類
12.2.6文本可視化
12.3時序數(shù)據(jù)挖掘
12.3.1時間序列和時間序列分析
12.3.2時間序列平穩(wěn)性和隨機性判定
12.3.3自回歸滑動平均模型
12.3.4差分整合移動平均自回歸模型
12.3.5季節(jié)性差分自回歸移動平均模型
12.4小結
習題12
第13章數(shù)據(jù)挖掘案例
13.1良性/惡性乳腺腫瘤預測
13.2泰坦尼克號乘客生還預測
13.3圖像的聚類分割
13.4小結
參考文獻