《SQL Server 2005数据挖掘实例分析》对数据挖掘和知识发现的各个方面都进行了必要的解说，侧重于用SSAS进行数据挖掘模型的建立、挖掘结果的分析与检验，以及解释与验证结果。数据挖掘的目的在于使用所发现的模式帮助解释当前的行为或预测未来的结果。数据挖掘过程涉及下列7个研究方面：数据仓库及OLAP技术、数据预处理、使用SQL Server Data Mining、关联规则、分类和预测、聚类分析及时序和序列数据的挖掘。《SQL Server 2005数据挖掘实例分析》对主要的挖掘技术提供了详细的SQL Server 2005数据挖掘的实例，读者通过案例来实验性地建立和检验数据挖掘模型。
　　《SQL Server 2005数据挖掘实例分析》适合希望学习SQL Server 2005数据挖掘技术的读者，可以作为数据挖掘工程师的参考用书。《SQL Server 2005数据挖掘实例分析》适合作为高校教学数据挖掘的教程，也是公司培训不可多得的参考用书。

　　第1章　数据挖掘基本知识
　　数据挖掘作为一个新兴的多学科交叉应用领域，正在各行各业的决策支持活动中扮演着越来越重要的角色。本章将从数据管理技术演化的角度介绍数据挖掘的由来、作用和意义。同时还将介绍数据挖掘系统的结构、数据挖掘所获得的知识种类，以及数据挖掘系统的分类。最后还简要介绍了当前数据挖掘领域尚存在的一些热点问题。
　　本章内容包括：
　　数据挖掘的概念
　　数据挖掘的存储对象
　　基本数据挖掘任务
　　数据挖掘系统的分类
　　数据挖掘的主要问题
　　1.1　数据挖掘的概念
　　数据挖掘，比较公认的定义是W.J.Frawley、G.PiantetskyShapir0等人提出来的；数据挖掘就是从大型数据库的数据中提取人们感兴趣的知识。这些知识是隐含的、实现未知的潜在的有用信息，提取的知识表示为概念、规则、规律、模式等形式。
　　这里把数据挖掘的对象定义为数据库，更广义的说法是：数据挖掘意味着在一些事实或者观察数据的集合中寻找模式的决策支持过程。数据挖掘的对象不仅可以是数据库，也可以是文件系统，或者其他任何组织在一起的数据几何，例如WWw信息资源。本书在讨论数据挖掘时采用数据库观点，即着重强调大型数据库（SQL Server 2005）中有效的和可规模化的数据挖掘技术。一个算法是可以规模化的，对于给定的内存和磁盘空间等可利用的系统资源，其运行时间随数据库大小线性增长。通过数据挖掘，可以从数据库提取有趣的知识、规律或高层次信息，并可以从不同角度观察或浏览。发现的知识可以用于决策、过程控制、信息管理、查询处理等。因此，数据挖掘被信息产业界认为是数据库系统重要的前沿之一，是信息产业最有前途的交叉学科。
　　随着数据库技术的迅速发展以及数据库管理系统的广泛应用，人们积累的数据越来越多。激增的数据背后隐藏着许多重要的信息，人们希望能够对其进行更高层次的分析，以便更好地利用这些数据。目前的数据库系统可以高效地实现数据的录入、查询、统计等功能，但无法发现数据中存在的关系和规则，无法根据现有的数据预测未来的发展趋势。缺乏挖掘数据背后隐藏的知识的手段，导致了“数据爆炸但知识贫乏”的现象。

前言
第1章  数据挖掘基本知识
1.1 数据挖掘的概念
1.2 数据挖掘的存储对象
1.2.1 关系数据库
1.2.2 数据仓库
1.2.3 事务数据库
1.2.4 高级数据库系统和高级数据库应用

1.3 基本数据挖掘任务
1.3.1 特征和区分
1.3.2 关联分析
1.3.3 分类和预测
1.3.4 聚类分析
1.3.5 局外者分析
1.4 数据挖掘系统的分类
1.5 数据挖掘的主要问题

第2章  数据仓库OLAP技术
2.1 数据仓库的概念
2.1.1 数据仓库的定义
2.1.2 数据仓库的建立
2.1.3 操作数据库系统与数据仓库的区别
2.1.4 分离的数据仓库

2.2 多维数据模型
2.2.1 由表和电子数据表到数据方
2.2.2 多维数据库模式
2.2.3 定义星型、雪花和星座的实例
2.2.4 度量的计算
2.2.5 概念分层
2.2.6 多维数据模型上的OLAP操作
2.2.7 多维数据库的星型查询模型

2.3 数据仓库的系统结构
2.3.1 数据仓库的设计步骤和结构
2.3.2 三层数据仓库结构
2.3.3 OLAP服务器类型（ROLAP、MOLAP、HOLAP）的比较

2.4 数据仓库实现
2.4.1 数据方的有效计算
2.4.2 索引OLAP数据
2.4.3 OLAP查询的有效处理
2.4.4 元数据存储
2.4.5 数据仓库后端工具和实用程序

2.5 数据方技术的进一步发展
2.5.1 数据方发现驱动的探查
2.5.2 多粒度上的复杂聚集：多特征方
2.5.3 其他进展

2.6 由数据仓库到数据挖掘
2.6.1 数据仓库的使用
2.6.2 由联机分析处理到联机分析挖掘

第3章  数据预处理
3.1 数据预处理的重要性
3.2 数据清洗
3.2.1 遗漏数据处理
3.2.2 噪声数据处理
3.2.3 不一致数据处理

3.3 数据集成与转换
3.3.1 数据集成处理
3.3.2 数据转换处理

3.4 数据消减
3.4.1 数据立方合计
3.4.2 维数消减
3.4.3 数据块消减

3.5 离散化和概念层次树生成
3.5.1 数值概念层次树生成
3.5.2 类别概念层次树生成

第4章  使用SQL Server 2005进行数据挖掘
4.1 关于Business Intelligence Development Studio
4.1.1 关于用户界面
4.1.2 联机模式和离线模式
4.1.3 如何创建数据挖掘对象

4.2 对数据源进行设置
4.2.1 数据源
4.2.2 使用数据源视图

4.3 创建和编辑模型
4.3.1 挖掘结构与模型
4.3.2 使用数据挖掘向导
4.3.3 创建MovieClick的数据挖掘结构和模型
4.3.4 使用数据挖掘设计器
4.4 处理

4.5 使用模型
4.5.1 掌握模型查看器
4.5.2 使用挖掘准确性图表
4.5.3 在MovieClick上建立提升图
4.5.4 使用【挖掘模型预测】窗口
4.5.5 创建数据挖掘报告

第5章  关联规则
5.1 关联规则简介
5.1.1 购物篮分析
5.1.2 关联规则挖掘路线

5.2 关联规则挖掘算法
5.2.1 Apriori算法：使用候选项集找频繁项集
5.2.2 由频繁项集产生关联规则
5.2.3提高Aptiori的有效性

5.3 Microsoft关联规则挖掘模型简介
5.4 Microsoft关联规则挖掘模型的使用
5.4.1 挖掘问题的提出
5.4.2 数据准备
5.4.3 挖掘模型简介
5.4.4 挖掘操作流程
5.4.5 挖掘结果分析

第6章  分类和预测
6.1 分类与预测的内涵
6.2 有关分类和预测的若干问题
6.3 基于决策树的分类
6.3.1 决策树生成算法
6.3.2 树剪枝
6.3.3 由决策树提取分类规则

6.4 Microsoft决策树挖掘模型简介
6.5 Microsoft决策树挖掘模型的使用
6.5.1 挖掘问题的提出
6.5.2 数据准备
6.5.3 挖掘模型简介
6.5.4 挖掘操作流程
6.5.5 挖掘结果分析

6.6 贝叶斯分类
6.6.1 贝叶斯定理
6.6.2 朴素贝叶斯定理
6.6.3 Microsoft贝叶斯挖掘模型简介
6.6.4 Microsoft贝叶斯挖掘模型的使用
6.6.5 挖掘结果分析

6.7 神经网络
6.7.1 神经网络概述
6.7.2 前馈神经网络
6.7.3 Microsoft神经网络挖掘模型简介
6.7.4 挖掘操作流程
6.7.5 挖掘结果分析

第7章  聚类分析
7.1 聚类的概念
7.2 聚类分析中的数据类型
7.2.1 区间标度（Interval-Scaled）变量
7.2.2 二元（Binary）变量
7.2.3 标称型、序数型和比例标度型变量
7.2.4 混合类型的变量

7.3 主要聚类方法的分类
7.3.1 划分方法
7.3.2 层次方法
7.3.3 基于密度的方法
7.3.4 基于网格的方法
7.3.5 基于模型的方法

7.4 Microsoft聚类挖掘模型简介
7.4.1 典型的划分方法
7.4.2 算法参数

7.5 Microsoft聚类挖掘模型的使用
7.5.1 挖掘问题的提出
7.5.2 数据准备
7.5.3 挖掘模型简介
7.5.4 挖掘操作流程
7.5.5 挖掘结果分析

第8章  时序和序列数据的挖掘
8.1 时序数据的挖掘
8.1.1 时序分析中的相似性搜索
8.1.2 Microsoft时序分析挖掘模型简介
8.1.3 Microsoft时序分析挖掘模型的使用

8.2 序列数据聚类
8.2.1 Microsoft顺序分析挖掘模型简介
8.2.2 Microsoft顺序分析挖掘模型的使用

第9章  数据挖掘的应用和发展趋势
9.1 数据挖掘的应用
9.1.1 针对生物医学和DNA数据分析的数据挖掘
9.1.2 针对金融数据分析的数据挖掘
9.1.3 零售业中的数据挖掘
9.1.4 电信业中的数据挖掘

9.2 数据挖掘系统产品和研究原型
9.2.1 怎样选择一个数据挖掘系统
9.2.2 商用数据挖掘系统的例子

9.3 数据挖掘的其他主题
9.3.1 视频和音频数据挖掘
9.3.2 科学和统计数据挖掘
9.3.3 数据挖掘的理论基础
9.3.4 数据挖掘和智能查询应答
9.4 数据挖掘的社会影响
9.5 数据挖掘的发展趋势
参考文献