数据仓库与数据挖掘教程(第3版高等院校信息技术规划教材)

l 数据挖掘是从数据中获取知识，是人工智能的核心。本书增加了当前兴起的深度学习、强化学习和迁移学习新技术，对其原理、算法和实例进行了详细介绍。 l 本书增加了部分问答题的参考答案和设计题与计算题的答案。既可以帮助读者更好的熟悉书中的内容，又扩充了书中的内容。 l 问答题便利学生解惑，计算题便利学生上机实验。 l 本书有课程计划、教学大纲和教学课件，便利教学。

数据仓库是商务智能的基础，也是大企业和大单位所需的大数据。数据挖掘是从数据中获取知识，是人工智能的核心。 首先，本书系统介绍数据仓库原理、联机分析处理、数据仓库的决策支持，以及数据挖掘原理和方法，包括决策树、粗糙集、关联规则挖掘、神经网络、遗传算法、公式发现、知识挖掘等。其次，本书对当前兴起的深度学习、强化学习和迁移学习新技术的原理、算法和实例进行了详细的介绍。再次，本书介绍了软件进化和数学进化的知识挖掘，软件是计算机的核心，数学是软件的基础。最后，本书对商务智能、计算智能和人工智能概念进行了比较，将它们统一在人工智能中。 本书配有部分问答题、设计题和计算题的参考答案。问答题便利学生解惑，设计题和计算题便利学生上机实验。 本书适合作为高等院校计算机、软件工程专业高年级本科生、研究生的教材，可供对UML比较熟悉并且对软件建模有所了解的开发人员、广大科技工作者和研究人员参考。

陈文伟，男，国防科学技术大学博士生导师。出版书有：《数据仓库与数据挖掘教程》、《知识工程与知识管理》、《决策支持系统及其开发》、《决策支持系统教程》等。2015年荣获国防科技大学资深研究生导师称号。

第1章 数据仓库与数据挖掘概述
1.1 数据仓库的兴起
1.1.1 从数据库到数据仓库
1.1.2 从OLTP到OLAP
1.1.3 数据字典与元数据
1.1.4 数据仓库的定义与特点
1.2 数据挖掘的兴起
1.2.1 从机器学习到数据挖掘
1.2.2 数据挖掘含义
1.2.3 数据挖掘与OLAP的比较
1.2.4 数据挖掘与统计学
1.3 智能技术
1.3.1 智能技术简述
1.3.2 数据仓库与商务智能
1.3.3 数据挖掘与人工智能
习题
第2章 数据仓库原理
2.1 数据仓库结构体系
2.1.1 数据仓库结构
2.1.2 数据集市及其结构
2.1.3 数据仓库系统结构
2.1.4 数据仓库的运行结构
2.2 数据仓库数据模型
2.2.1 星型模型
2.2.2 雪花模型与星网模型
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
2.3.1 数据抽取
2.3.2 数据转换
2.3.3 数据装载
2.4 元数据
2.4.1 元数据的重要性
2.4.2 关于数据源的元数据
2.4.3 关于数据模型的元数据
2.4.4 关于数据仓库映射的元数据
2.4.5 关于数据仓库使用的元数据
习题
第3章 联机分析处理
3.1 OLAP概念
3.1.1 OLAP的定义
3.1.2 OLAP准则
3.1.3 OLAP的基本概念
3.2 OLAP的数据模型
3.2.1 MOLAP数据模型
3.2.2 ROLAP数据模型
3.2.3 MOLAP与ROLAP的比较
3.3 多维数据的显示
3.3.1 多维数据显示方法
3.3.2 多维类型结构
3.3.3 多维数据的分析视图
3.4 OALP的多维数据分析
3.4.1 多维数据分析的基本操作
3.4.2 多维数据分析实例
3.4.3 广义OLAP功能
3.4.4 数据立方体
习题
第4章 数据仓库的决策支持
4.1 数据仓库的用户
4.1.1 信息查询
4.1.2 知识探索
4.2 数据仓库的决策支持与决策支持系统
4.2.1 查询与报表
4.2.2 多维分析与原因分析
4.2.3 预测未来
4.2.4 实时决策
4.2.5 自动决策
4.2.6 决策支持系统
4.3 数据仓库应用实例
4.3.1 航空公司数据仓库决策支持系统简例
4.3.2 统计业数据仓库系统
4.3.3 沃尔玛数据仓库系统
习题
第5章 数据挖掘原理
5.1 数据挖掘综述
5.1.1 数据挖掘与知识发现
5.1.2 数据挖掘对象与分类
5.1.3 不接近数据处理
5.1.4 数据库的数据浓缩
5.2 数据挖掘方法和技术
5.2.1 归纳学习的信息论方法
5.2.2 归纳学习的集合论方法
5.2.3 仿生物技术的神经网络方法
5.2.4 仿生物技术的遗传算法
5.2.5 数值数据的公式发现
5.3 数据挖掘的知识表示
5.3.1 规则知识
5.3.2 决策树知识
5.3.3 知识基(浓缩数据)
5.3.4 神经网络权值
5.3.5 公式知识
5.3.6 案例
习题
第6章 信息论方法
6.1 信息论原理
6.1.1 信道模型和学习信道模型
6.1.2 信息熵与条件熵
6.1.3 互信息与信息增益
6.1.4 信道容量与译码准则
6.2 决策树方法
6.2.1 决策树概念
6.2.2 ID3方法基本思想
6.2.3 ID3算法
6.2.4 实例与讨论
6.2.5C4.5 方法
6.3 决策规则树方法
6.3.1 IBLE方法基本思想
6.3.2 IBLE算法
6.3.3 IBLE方法实例
习题
第7章 集合论方法
7.1 粗糙集方法
7.1.1 粗糙集概念
7.1.2 属性约简的粗糙集理论
7.1.3 属性约简的粗糙集方法
7.1.4 粗糙集方法的规则获取
7.1.5 粗糙集方法的应用实例
7.2 K均值聚类
7.2.1 聚类方法简介
7.2.2 K均值聚类方法与实例
7.3 关联规则挖掘
7.3.1 关联规则的挖掘原理
7.3.2 Apriori算法基本思想
7.3.3 基于FPtree的关联规则挖掘算法
习题
第8章 神经网络与深度学习
8.1 神经网络概念与反向传播网络
8.1.1 神经网络原理
8.1.2 反向传播网络
8.1.3 BP网络学习公式推导
8.1.4 BP网络的典型实例
8.2 神经网络的几何意义
8.2.1 神经网络的超平面含义
8.2.2 异或问题的实例分析
8.3 深度学习
8.3.1 深度学习与多层网络的链式法则
8.3.2 卷积网络深度学习算法
习题
第9章 遗传算法与计算智能
9.1 遗传算法
9.1.1 遗传算法基本原理
9.1.2 遗传算子
9.1.3 遗传算法简例
9.1.4 遗传算法的特点
9.2 基于遗传算法的分类学习系统
9.2.1 概述
9.2.2 遗传分类学习系统GCLS的基本原理
9.2.3 遗传分类学习系统GCLS的应用
9.3 计算智能
9.3.1 计算智能概述
9.3.2 计算智能与人工智能
习题
第10章 强化学习与迁移学习和公式发现
10.1 强化学习
1