初識數據挖掘
|
- 數據挖掘的產生
- 數據挖掘的應用價值
- 數據挖掘的發展過程
- 數據挖掘的定義
|
初識數據倉庫
|
- 數據倉庫的產生
- 數據倉庫的應用價值
- 數據倉庫的發展過程
- 數據倉庫的定義
- 數據倉庫與數據挖掘的關系
|
| 進一步理解數據挖掘 |
|
| 數據挖掘應用實例 |
|
| 數據挖掘的發展趨勢 |
|
| 進一步深入理解數據倉庫的定義 |
- 數據倉庫的數據是面向主題的
- 數據倉庫的數據是集成的
- 數據倉庫的數據是不可更新的
- 數據倉庫的數據是隨時間不斷變化的
|
| 數據倉庫的結構 |
- 元數據
- 粒度的概念
- 分割問題
- 數據倉庫中的數據組織形式
|
數據倉庫的清理
數據倉庫系統的設計
|
- 數據倉庫系統設計方法
- 數據倉庫設計的三級數據模型
- 提高數據倉庫的性能
- 數據倉庫設計步驟
|
| 數據倉庫數據的訪問 |
|
| 數據倉庫的應用 |
|
| 數據預處理的目的 |
|
| 數據清理 |
|
| 數據集成和變換 |
|
| 數據歸約 |
- 數據歸約的方法
- 數據立方體聚集
- 維歸約
- 數據壓縮
- 數值歸約
- 離散化與概念分層生成
|
| 廣義知識 |
|
| 關聯知識 |
- 關聯知識的概念
- 關聯知識的發現方法
- 關聯規則應用實例
|
| 分類知識 |
- 分類知識的概念
- 分類知識的發現方法
- 分類知識應用實例
|
| 預測型知識 |
- 預測型知識的概念
- 預測型知識的發現方法
- 預測型知識應用實例
|
| 偏差型知識 |
|
| 神經網絡算法 |
- 神經網絡的概念
- 神經網絡的計算機模型
- 定義神經網絡拓撲
- 基于神經網絡的算法
|
| 使用候選項集找頻繁項集（Apriori）算法 |
- 關聯規則的分類
- Apriori算法
- 從頻繁項集產生關聯規則
|
| 決策樹算法 |
- 信息論的基本原理
- ID3算法
- 樹剪枝
- 由決策樹提取分類規則
|
| 聚類分析 |
- 聚類分析的概念
- 聚類分析中的數據類型
- 幾種主要的聚類分析方法
- 聚類分析算法
|
| SQL Server 2000數據挖掘工具應用 |
- 安裝要求
- 安裝過程
- Analysis Services功能介紹
- Analysis Services的優點
- 創建數據挖掘模型
- 查看和分析挖掘結果
- 聚類模型
|
| SPSS數據挖掘工具應用 |
- 安裝SPSS Clementine
- SPSS Clementine 8.0工作環境介紹
- Clementine應用的結構
- Clementine的使用
- 挖掘模型的建立和執行
|
| 決策樹算法 |
|
| 實例開發 |
- 實例開發前的準備
- 實例的系統結構
- 決策樹算法模塊
- 算法的程序實現
?
|
