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(jìn)行可行的深入分析與挖掘，對幾乎所有社會(huì)領(lǐng)域的決策都越來越重要。數(shù)據(jù)倉庫與數(shù)據(jù)挖掘?qū)鹘y(tǒng)的數(shù)據(jù)分析方法與用于處理大量數(shù)據(jù)的復(fù)雜算法相結(jié)合，利用數(shù)據(jù)庫管理技術(shù)和大量以機(jī)器學(xué)習(xí)為基礎(chǔ)的數(shù)據(jù)分析技術(shù)，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(shè)計(jì)實(shí)現(xiàn)和數(shù)據(jù)挖掘的業(yè)務(wù)流程出發(fā)，全面、系統(tǒng)地介紹了數(shù)據(jù)倉庫的設(shè)計(jì)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(shí)踐充分結(jié)合，以便加深、加快讀者對所學(xué)內(nèi)容的理解和掌握。
全書共13章，內(nèi)容涵蓋數(shù)據(jù)理論基礎(chǔ)、數(shù)據(jù)預(yù)處理、數(shù)據(jù)倉庫與聯(lián)機(jī)分析處理、數(shù)據(jù)倉庫設(shè)計(jì)與開發(fā)、回歸分析、關(guān)聯(lián)規(guī)則挖掘、分類、聚類、神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)、離群點(diǎn)檢測以及文本和時(shí)序數(shù)據(jù)挖掘等內(nèi)容。書中各章節(jié)相互獨(dú)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(shí)際，輔以代碼實(shí)踐與指導(dǎo)，引領(lǐng)讀者更好地理解與應(yīng)用算法，快速邁進(jìn)數(shù)據(jù)倉庫與數(shù)據(jù)挖掘領(lǐng)域，掌握機(jī)器學(xué)習(xí)算法的理論和應(yīng)用。同時(shí)，除第13章外，書中每章都給出了小結(jié)和習(xí)題，可以幫助讀者鞏固本章學(xué)習(xí)內(nèi)容，擴(kuò)展相關(guān)知識。
本書特色：
（1） 內(nèi)容系統(tǒng)全面，講解深入淺出，易于理解。
（2） 詳細(xì)介紹了數(shù)據(jù)倉庫與數(shù)據(jù)挖掘的業(yè)務(wù)流程與典型方法。
（3） 配備了多個(gè)項(xiàng)目案例，理論結(jié)合實(shí)踐。
（4） 配套資源豐富，方便教學(xué)。
本書的配套資源包括教學(xué)大綱、教學(xué)課件、電子教案、程序源碼和習(xí)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(yīng)章節(jié)的二維碼，可以在線學(xué)習(xí)。
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(xué)2022年教材建設(shè)項(xiàng)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(diǎn)
1．1．2數(shù)據(jù)倉庫與操作型數(shù)據(jù)庫的關(guān)系
1．1．3數(shù)據(jù)倉庫的組成
1．1．4數(shù)據(jù)倉庫的應(yīng)用
1．1．5基于Hadoop/Spark的數(shù)據(jù)倉庫技術(shù)
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(wù)
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(shù)
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(jié)
習(xí)題1
第2章認(rèn)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(jì)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(shù)
2.3.2幾何投影可視化技術(shù)
2.3.3基于圖符的可視化技術(shù)
2.3.4層次可視化技術(shù)
2.3.5可視化復(fù)雜對象和關(guān)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(biāo)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(shí)現(xiàn)
2.5小結(jié)
習(xí)題2
第3章數(shù)據(jù)預(yù)處理
3.1數(shù)據(jù)預(yù)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(zhì)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(jìn)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(guān)鍵問題
3.3.2利用Pandas合并數(shù)據(jù)
3.4數(shù)據(jù)標(biāo)準(zhǔn)化
3.4.1離差標(biāo)準(zhǔn)化數(shù)據(jù)
3.4.2標(biāo)準(zhǔn)差標(biāo)準(zhǔn)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(jìn)行數(shù)據(jù)預(yù)處理
3.8小結(jié)
習(xí)題3
第4章數(shù)據(jù)倉庫與聯(lián)機(jī)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(jié)構(gòu)
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(guān)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(shí)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(dòng)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(tái)
4．5小結(jié)
習(xí)題4
第5章數(shù)據(jù)倉庫設(shè)計(jì)與開發(fā)
5．1數(shù)據(jù)倉庫設(shè)計(jì)概述
5．1．1數(shù)據(jù)倉庫設(shè)計(jì)的特點(diǎn)
5．1．2數(shù)據(jù)倉庫設(shè)計(jì)與業(yè)務(wù)系統(tǒng)模型設(shè)計(jì)的區(qū)別
5．1．3數(shù)據(jù)倉庫構(gòu)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(shè)計(jì)
5．2．1數(shù)據(jù)倉庫規(guī)劃、需求分析及概念設(shè)計(jì)
5．2．2數(shù)據(jù)倉庫邏輯模型設(shè)計(jì)
5．2．3數(shù)據(jù)倉庫物理模型設(shè)計(jì)
5．2．4數(shù)據(jù)倉庫部署與維護(hù)
5．3基于Hive的數(shù)據(jù)倉庫實(shí)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(jié)
習(xí)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(jì)
6.2.3一元線性回歸模型的誤差方差估計(jì)
6.2.4一元線性回歸模型的主要統(tǒng)計(jì)檢驗(yàn)
6.2.5一元線性回歸的Python實(shí)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(jì)
6.3.3多元線性回歸的假設(shè)檢驗(yàn)及其評價(jià)
6.3.4多元線性回歸的Python實(shí)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(shí)現(xiàn)
6.5其他回歸分析
6.5.1多項(xiàng)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(jié)
習(xí)題6
第7章關(guān)聯(lián)規(guī)則挖掘
7.1關(guān)聯(lián)規(guī)則挖掘概述
7.2頻繁項(xiàng)集、閉項(xiàng)集和關(guān)聯(lián)規(guī)則
7.3頻繁項(xiàng)集挖掘方法
7.3.1Apriori算法
7.3.2由頻繁項(xiàng)集產(chǎn)生關(guān)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(xiàng)集
7.4關(guān)聯(lián)模式評估方法
7.5Apriori算法應(yīng)用
7.6小結(jié)
習(xí)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(yīng)用
8.3K近鄰算法
8.3.1算法原理
8.3.2Python算法實(shí)現(xiàn)
8.4支持向量機(jī)
8.4.1算法原理
8.4.2Python算法實(shí)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(xiàng)式樸素貝葉斯分類
8.5.4樸素貝葉斯分類應(yīng)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(jī)森林
8.8小結(jié)
習(xí)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(jìn)
9.2.3KMeans算法實(shí)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(yīng)用
9.4基于密度的聚類
9.4.1算法原理
9.4.2算法改進(jìn)
9.4.3DBSCAN算法實(shí)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(jì)
9.6.2聚類簇?cái)?shù)的確定
9.6.3聚類質(zhì)量的測定
9.7小結(jié)
習(xí)題9
第10章神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)
10.1神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
10.1.1神經(jīng)元模型
10.1.2感知機(jī)與多層網(wǎng)絡(luò)
10.2BP神經(jīng)網(wǎng)絡(luò)
10.2.1多層前饋神經(jīng)網(wǎng)絡(luò)
10.2.2后向傳播算法
10.2.3BP神經(jīng)網(wǎng)絡(luò)應(yīng)用
10.3深度學(xué)習(xí)
10.3.1深度學(xué)習(xí)概述
10.3.2常用的深度學(xué)習(xí)算法
10.4小結(jié)
習(xí)題10
第11章離群點(diǎn)檢測
11.1離群點(diǎn)概述
11.1.1離群點(diǎn)的概念
11.1.2離群點(diǎn)的類型
11.1.3離群點(diǎn)檢測的挑戰(zhàn)
11.2離群點(diǎn)的檢測
11.2.1基于統(tǒng)計(jì)學(xué)的離群點(diǎn)檢測
11.2.2基于鄰近性的離群點(diǎn)檢測
11.2.3基于聚類的離群點(diǎn)檢測
11.2.4基于分類的離群點(diǎn)檢測
11.3sklearn中的異常檢測方法
11.4小結(jié)
習(xí)題11
第12章文本和時(shí)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(wù)
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(biāo)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(shí)序數(shù)據(jù)挖掘
12．3．1時(shí)間序列和時(shí)間序列分析
12．3．2時(shí)間序列平穩(wěn)性和隨機(jī)性判定
12．3．3自回歸滑動(dòng)平均模型
12．3．4差分整合移動(dòng)平均自回歸模型
12．3．5季節(jié)性差分自回歸移動(dòng)平均模型
12．4小結(jié)
習(xí)題12
第13章數(shù)據(jù)挖掘案例
13.1良性/惡性乳腺腫瘤預(yù)測
13.2泰坦尼克號乘客生還預(yù)測
13.3圖像的聚類分割
13.4小結(jié)
參考文獻(xiàn)
書單推薦
