本书在介绍决策支持和知识发现两个核心概念的基础上，详细地分析了决策支持系统与数据仓库、数据挖掘的基本关系，全面系统地介绍了决策支持系统、数据仓库、数据挖掘等3个层次的基本概念、原理、技术和方法。全书既对决策支持和知识发现的概念和方法进行系统的阐述，又力求反映最新的知识发现和决策支持的新技术和新思想，具有较强的实用性。

作者简介

目录

作者：马尚才、李爱军、石洪波

ISBN：10位[7504640131] 13位[9787504640130]

出版社：中国科学技术出版社

出版日期：2005-3

定价：￥30.00 元

作者简介

马尚才：1954年生，山西财经大学信息管理学院教授，享受政府特殊津贴专家。出版著作和教材12部，公开发表论文20余篇，主持研制了16项应用软件，均通过了省、部级鉴定，其中有7项获得省、部级科学技术进步奖。

目录

第一章传统的决策支持系统/1

第一节决策支持系统的概念/2

一、决策支持系统的定义和特征/3

二、决策支持系统的功能/5

三、决策支持系统的分类/7

第二节决策支持系统的系统结构/8

一、决策支持系统的基本组成/9

二、决策支持系统的体系结构/28

三、决策支持系统的三个技术层次/36

第三节传统决策支持系统存在的问题/38

一、数据管理问题/38

二、模型分析问题/40

第二章知识发现：决策支持的新思路/42

第一节知识发现的概念/43

一、知识发现的定义和基本概念/43

二、知识发现的处理过程/45

三、知识发现与数据挖掘/51

第二节知识发现的数据基础/51

一、数据的组织存储方式/52

二、数据的类型/52

第三节知识发现的目标/53

一、广义知识/55

二、分类和预测/55

三、聚类知识/57

四、关联规则/5E

五、偏差分析/51

第四节知识发现的方法/5S

一、数据库访问技术/60

二、统计方法/61

三、机器学习/63

四、智能计算/65

第五节决策支持与知识发现/66

第三章 数据仓库原理/68

第一节数据仓库的基本概念/68

一、数据仓库的定义/68

二、数据仓库的特征/69

第二节数据仓库的体系结构/72

一、数据仓库中的数据组织/72

二、数据仓库中的体系结构/75

第三节数据仓库中的数据存储与组织形式/77

一、数据的组织方式/77

二、数据的存储方式/79

三、元数据/8l

第四节数据仓库的粒度和数据分割/88

第四章数据仓库的数据模型/92

第一节数据仓库建模基本原则/92

第二节数据仓库中的基本概念/94

一、维/94

二、数据立方体/95

三、视图/96

第三节高层模型/98

一、E—R图/98

二、信息包图/99

第四节中层模型/103

一、事实表和维表/103

二、三种中层模型/106

第五节低层模型/108

第五章数据仓库数据集成和维护/113

第一节数据集成概述/113

一、数据集成的概念/113

二、数据集成的步骤/114

三、影响数据集成的关键因素/115

四、数据集成的作用/116

第二节数据抽取/117

一、数据抽取的任务/117

二、数据抽取时应考虑的问题/119

第三节数据转换/120

一、数据转换的任务/120

二、如何实施转换/122

三、数据转换时应考虑的问题/122

第四节数据清理/123

第五节数据装载/126

一、数据装载的任务/126

二、数据装载应考虑的问题/128

第六节数据集成工具/129

第七节数据维护策略/132

第六章0LAP技术/135

第一节0LAP的技术概念/135

一、0LAP的定义和准则/135

二、0LAP的特性/138

三、0LAP和OLTP的区别/139

第二节0LAP多维分析/140

第三节0LAP的实现方式/145

一、基于多维数据库的0LAP/145

二、基于关系数据库的0LAP/149

三、混合型的0LAP/15l

第七章智能计算/153

第一节人工神经网络/153

一、人工神经元及感知机模型/155

二、前馈神经网络/158

三、径向基函数神经网络/164

四、自组织特征映射神经网络/173

五、神经网络集成/179

第二节遗传算法/185

一、遗传算法的一般框架/186

二、遗传算法的实现技术/189

第八章统计方法/194

第一节关联分析/194

一、基本概念/194

二、关联规则挖掘算法/196

三、关联规则价值衡量方法/202

第二节聚类分析/203

一、聚类原理/204

二、经典聚类算法/209

三、概念聚类/212

第三节支持向量机/215

一、支持向量机的基本思想/215

二、模式分类的支持向量机/22l

三、非线性回归支持向量机/223

第四节粗糙集/224

一、粗糙集基本概念/225

二、粗糙集的知识约简/229

三、粗糙集的分类算法/232

第九章机器学习/235

第一节决策树/235

一、决策树学习/238

二、选择最佳分类属性/238

三、控制决策树规模/245

第二节规则归纳/250

一、序列覆盖算法(sequential covering)/250

二、AQ学习/255

三、学习谓词逻辑形式规则/259

四、反转归并/264

第三节基于案例的学习/267

一、最近邻方法/268

二、基于案例的推理/269

第四节贝叶斯学习/273

一、贝叶斯学习理论/273

二、贝叶斯网络/276

三、贝叶斯网络学习/278

四、贝叶斯分类器/286

参考文献/291