初識數(shù)據(jù)挖掘
|
- 數(shù)據(jù)挖掘的產(chǎn)生
- 數(shù)據(jù)挖掘的應(yīng)用價值
- 數(shù)據(jù)挖掘的發(fā)展過程
- 數(shù)據(jù)挖掘的定義
|
初識數(shù)據(jù)倉庫
|
- 數(shù)據(jù)倉庫的產(chǎn)生
- 數(shù)據(jù)倉庫的應(yīng)用價值
- 數(shù)據(jù)倉庫的發(fā)展過程
- 數(shù)據(jù)倉庫的定義
- 數(shù)據(jù)倉庫與數(shù)據(jù)挖掘的關(guān)系
|
| 進一步理解數(shù)據(jù)挖掘 |
- 數(shù)據(jù)挖掘的功能
- 數(shù)據(jù)挖掘常用技術(shù)
- 數(shù)據(jù)挖掘的過程
|
| 數(shù)據(jù)挖掘應(yīng)用實例 |
|
| 數(shù)據(jù)挖掘的發(fā)展趨勢 |
- 數(shù)據(jù)挖掘研究方向
- 數(shù)據(jù)挖掘應(yīng)用的熱點
|
| 進一步深入理解數(shù)據(jù)倉庫的定義 |
- 數(shù)據(jù)倉庫的數(shù)據(jù)是面向主題的
- 數(shù)據(jù)倉庫的數(shù)據(jù)是集成的
- 數(shù)據(jù)倉庫的數(shù)據(jù)是不可更新的
- 數(shù)據(jù)倉庫的數(shù)據(jù)是隨時間不斷變化的
|
| 數(shù)據(jù)倉庫的結(jié)構(gòu) |
- 元數(shù)據(jù)
- 粒度的概念
- 分割問題
- 數(shù)據(jù)倉庫中的數(shù)據(jù)組織形式
|
數(shù)據(jù)倉庫的清理
數(shù)據(jù)倉庫系統(tǒng)的設(shè)計
|
- 數(shù)據(jù)倉庫系統(tǒng)設(shè)計方法
- 數(shù)據(jù)倉庫設(shè)計的三級數(shù)據(jù)模型
- 提高數(shù)據(jù)倉庫的性能
- 數(shù)據(jù)倉庫設(shè)計步驟
|
| 數(shù)據(jù)倉庫數(shù)據(jù)的訪問 |
- 數(shù)據(jù)倉庫數(shù)據(jù)的直接訪問
- 數(shù)據(jù)倉庫數(shù)據(jù)的間接訪問
|
| 數(shù)據(jù)倉庫的應(yīng)用 |
- 數(shù)據(jù)倉庫的主要應(yīng)用領(lǐng)域
- 數(shù)據(jù)倉庫應(yīng)用實例
|
| 數(shù)據(jù)預(yù)處理的目的 |
- 原始數(shù)據(jù)中存在的問題
- 數(shù)據(jù)預(yù)處理的方法和功能
|
| 數(shù)據(jù)清理 |
|
| 數(shù)據(jù)集成和變換 |
- 數(shù)據(jù)集成
- 數(shù)據(jù)變換
|
| 數(shù)據(jù)歸約 |
- 數(shù)據(jù)歸約的方法
- 數(shù)據(jù)立方體聚集
- 維歸約
- 數(shù)據(jù)壓縮
- 數(shù)值歸約
- 離散化與概念分層生成
|
| 廣義知識 |
- 廣義知識的概念
- 廣義知識的發(fā)現(xiàn)方法
|
| 關(guān)聯(lián)知識 |
- 關(guān)聯(lián)知識的概念
- 關(guān)聯(lián)知識的發(fā)現(xiàn)方法
- 關(guān)聯(lián)規(guī)則應(yīng)用實例
|
| 分類知識 |
- 分類知識的概念
- 分類知識的發(fā)現(xiàn)方法
- 分類知識應(yīng)用實例
|
| 預(yù)測型知識 |
- 預(yù)測型知識的概念
- 預(yù)測型知識的發(fā)現(xiàn)方法
- 預(yù)測型知識應(yīng)用實例
|
| 偏差型知識 |
- 偏差型知識的概念
- 偏差型知識的發(fā)現(xiàn)方法
|
| 神經(jīng)網(wǎng)絡(luò)算法 |
- 神經(jīng)網(wǎng)絡(luò)的概念
- 神經(jīng)網(wǎng)絡(luò)的計算機模型
- 定義神經(jīng)網(wǎng)絡(luò)拓?fù)?/li>
- 基于神經(jīng)網(wǎng)絡(luò)的算法
|
| 使用候選項集找頻繁項集（Apriori）算法 |
- 關(guān)聯(lián)規(guī)則的分類
- Apriori算法
- 從頻繁項集產(chǎn)生關(guān)聯(lián)規(guī)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(guī)則
|
| 聚類分析 |
- 聚類分析的概念
- 聚類分析中的數(shù)據(jù)類型
- 幾種主要的聚類分析方法
- 聚類分析算法
|
| SQL Server 2000數(shù)據(jù)挖掘工具應(yīng)用 |
- 安裝要求
- 安裝過程
- Analysis Services功能介紹
- Analysis Services的優(yōu)點
- 創(chuàng)建數(shù)據(jù)挖掘模型
- 查看和分析挖掘結(jié)果
- 聚類模型
|
| SPSS數(shù)據(jù)挖掘工具應(yīng)用 |
- 安裝SPSS Clementine
- SPSS Clementine 8.0工作環(huán)境介紹
- Clementine應(yīng)用的結(jié)構(gòu)
- Clementine的使用
- 挖掘模型的建立和執(zhí)行
|
| 決策樹算法 |
- 實例背景
- 數(shù)據(jù)挖掘中的分類算法
- 決策樹的概念
|
| 實例開發(fā) |
- 實例開發(fā)前的準(zhǔn)備
- 實例的系統(tǒng)結(jié)構(gòu)
- 決策樹算法模塊
- 算法的程序?qū)崿F(xiàn)
?
|
