商務(wù)智能與數(shù)據(jù)挖掘（第2版）

目錄
第1章商務(wù)智能概述

1.1商務(wù)智能的概念

1.1.1數(shù)據(jù)、信息與知識(shí)

1.1.2商務(wù)智能的定義

1.1.3商務(wù)智能的特點(diǎn)

1.1.4商務(wù)智能的過程

1.2商務(wù)智能的產(chǎn)生與發(fā)展

1.2.1商務(wù)智能的產(chǎn)生和發(fā)展過程

1.2.2商務(wù)智能與其他系統(tǒng)的關(guān)系

1.3商務(wù)智能的研究內(nèi)容

1.4商務(wù)智能系統(tǒng)的支撐技術(shù)

1.5商務(wù)智能系統(tǒng)框架及數(shù)據(jù)流程

1.5.1商務(wù)智能系統(tǒng)框架

1.5.2商務(wù)智能系統(tǒng)的數(shù)據(jù)流程

1.6主流商務(wù)智能產(chǎn)品

1.6.1主流商務(wù)智能產(chǎn)品簡介

1.6.2商務(wù)智能的抉擇

1.7商務(wù)智能的未來發(fā)展趨勢(shì)

1.8商務(wù)智能的應(yīng)用

小結(jié)

習(xí)題

第2章商務(wù)智能中的核心技術(shù)

2.1數(shù)據(jù)倉庫

2.1.1數(shù)據(jù)倉庫的產(chǎn)生與發(fā)展

2.1.2數(shù)據(jù)倉庫的概念與特征

2.1.3ETL

2.1.4數(shù)據(jù)集市

2.1.5數(shù)據(jù)倉庫的數(shù)據(jù)組織

2.1.6數(shù)據(jù)倉庫的體系結(jié)構(gòu)

2.1.7數(shù)據(jù)倉庫的開發(fā)步驟

2.2在線分析處理

2.2.1OLAP簡介

2.2.2OLAP的定義和相關(guān)概念

2.2.3OLAP與OLTP的區(qū)別

2.2.4OLAP的分類

2.2.5OLAP多維數(shù)據(jù)分析

2.3數(shù)據(jù)可視化

2.3.1什么是數(shù)據(jù)可視化

2.3.2數(shù)據(jù)可視化的優(yōu)勢(shì)

2.3.3數(shù)據(jù)可視化工具

小結(jié)

習(xí)題

第3章數(shù)據(jù)挖掘概述

3.1數(shù)據(jù)挖掘的起源與發(fā)展

3.1.1數(shù)據(jù)挖掘的起源

3.1.2數(shù)據(jù)挖掘的發(fā)展

3.2數(shù)據(jù)挖掘所要解決的問題

3.3數(shù)據(jù)挖掘的定義

3.4數(shù)據(jù)挖掘的過程

3.5數(shù)據(jù)挖掘系統(tǒng)

3.5.1數(shù)據(jù)挖掘系統(tǒng)的分類

3.5.2數(shù)據(jù)挖掘系統(tǒng)的發(fā)展

3.6數(shù)據(jù)挖掘的功能和方法

3.6.1數(shù)據(jù)挖掘的功能

3.6.2數(shù)據(jù)挖掘的方法

3.7數(shù)據(jù)挖掘的典型應(yīng)用領(lǐng)域

3.8數(shù)據(jù)挖掘的發(fā)展趨勢(shì)

小結(jié)

習(xí)題

第4章分類分析

4.1預(yù)備知識(shí)

4.2解決分類問題的一般方法

4.3分類算法

4.3.1貝葉斯分類器

4.3.2貝葉斯信念網(wǎng)絡(luò)

4.3.3決策樹

4.3.4支持向量機(jī)

4.3.5粗糙集

4.3.6其他分類算法

4.4評(píng)估分類器的性能

4.4.1保持方法

4.4.2隨機(jī)二次抽樣

4.4.3交叉驗(yàn)證

4.4.4自助法

小結(jié)

習(xí)題

第5章關(guān)聯(lián)分析

5.1引言

5.2基本概念

5.3關(guān)聯(lián)規(guī)則的種類

5.4關(guān)聯(lián)規(guī)則的研究現(xiàn)狀

5.5關(guān)聯(lián)規(guī)則挖掘算法

5.5.1Apriori算法

5.5.2Apriori改進(jìn)算法

5.5.3FP增長算法

5.6改善關(guān)聯(lián)規(guī)則挖掘質(zhì)量問題

5.6.1用戶主觀層面

5.6.2系統(tǒng)客觀層面

5.7約束數(shù)據(jù)挖掘問題

小結(jié)

習(xí)題

第6章聚類分析

6.1聚類的概念

6.1.1聚類概念及應(yīng)用

6.1.2聚類算法要求

6.1.3聚類技術(shù)類型劃分

6.2聚類分析的統(tǒng)計(jì)量

6.2.1模型定義

6.2.2相似性度量

6.3常用聚類算法

6.3.1k均值算法

6.3.2kmedoids算法

6.3.3凝聚層次聚類算法

6.3.4DBSCAN算法

6.3.5STING算法

6.3.6CLIQUE算法

6.4簇評(píng)估

6.4.1概述

6.4.2非監(jiān)督簇評(píng)估：使用凝聚度和分離度

6.4.3非監(jiān)督簇評(píng)估：使用鄰近度矩陣

6.4.4層次聚類的非監(jiān)督評(píng)估

6.4.5確定正確的簇個(gè)數(shù)

6.4.6聚類趨勢(shì)

6.4.7簇有效性的監(jiān)督度量

6.5聚類與分類比較

小結(jié)

習(xí)題

第7章深度學(xué)習(xí)

7.1深度學(xué)習(xí)的由來

7.1.1深度學(xué)習(xí)的神經(jīng)學(xué)啟示

7.1.2淺層結(jié)構(gòu)函數(shù)表示能力的局限性

7.1.3特征提取的需要

7.2深度學(xué)習(xí)的經(jīng)典方法

7.2.1深度學(xué)習(xí)表示模型和網(wǎng)絡(luò)結(jié)構(gòu)

7.2.2自動(dòng)編碼器

7.2.3受限玻爾茲曼機(jī)

7.2.4卷積神經(jīng)網(wǎng)絡(luò)

7.3深度學(xué)習(xí)的應(yīng)用

7.3.1深度學(xué)習(xí)在語音識(shí)別、合成及機(jī)器翻譯中的應(yīng)用

7.3.2深度學(xué)習(xí)在圖像分類及識(shí)別中的應(yīng)用

7.3.3深度學(xué)習(xí)在視頻分類及行為識(shí)別中的應(yīng)用

7.4深度學(xué)習(xí)的研究近況及未來研究方向

7.4.1研究近況

7.4.2未來研究方向

小結(jié)

習(xí)題

第8章Web挖掘技術(shù)

8.1Web數(shù)據(jù)挖掘概述

8.1.1Web數(shù)據(jù)挖掘的概念

8.1.2Web數(shù)據(jù)挖掘的特點(diǎn)

8.1.3Web數(shù)據(jù)挖掘的處理流程

8.1.4Web數(shù)據(jù)挖掘與信息檢索、信息抽取的區(qū)別

8.2Web數(shù)據(jù)挖掘分類

8.2.1Web內(nèi)容挖掘概述

8.2.2Web結(jié)構(gòu)挖掘概述

8.2.3Web使用挖掘概述

8.3Web內(nèi)容挖掘

8.3.1特征提取和特征表示

8.3.2自動(dòng)摘要

8.3.3文本分類

8.3.4文本聚類

8.4Web結(jié)構(gòu)挖掘

8.4.1超鏈和頁面內(nèi)容的關(guān)系

8.4.2不同挖掘階段的分析

8.4.3PageRank

8.4.4HITS

8.4.5兩種算法的比較

8.4.6Web結(jié)構(gòu)挖掘應(yīng)用

8.5Web使用挖掘

8.5.1Web使用挖掘數(shù)據(jù)預(yù)處理

8.5.2Web使用挖掘模式發(fā)現(xiàn)

8.5.3Web使用挖掘模式分析

8.5.4Web使用挖掘模式應(yīng)用

小結(jié)

習(xí)題

第9章數(shù)據(jù)挖掘在電子商務(wù)中的應(yīng)用

9.1網(wǎng)站結(jié)構(gòu)優(yōu)化

9.2智能搜索引擎

9.2.1網(wǎng)絡(luò)機(jī)器人

9.2.2文本分析

9.2.3搜索條件的獲取和分析

9.2.4信息的搜索和排序

9.3移動(dòng)商務(wù)智能

9.4客戶關(guān)系管理

9.4.1營銷

9.4.2銷售

9.4.3客戶服務(wù)

9.4.4客戶保持

9.4.5風(fēng)險(xiǎn)評(píng)估和欺詐識(shí)別

9.5客戶分類

9.5.1傳統(tǒng)的客戶分類理論

9.5.2基于客戶行為的客戶分類

9.5.3基于客戶生命周期的客戶分類

9.5.4基于客戶生命周期價(jià)值的客戶分類

小結(jié)

習(xí)題

參考文獻(xiàn)