第一篇：數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘論文

決策樹在教學(xué)評(píng)價(jià)中的應(yīng)用研究

摘 要 決策樹學(xué)習(xí)是人們廣泛使用的一種歸納推理形式。先就決策樹和決策樹學(xué)習(xí)算法進(jìn)行介紹，然后用實(shí)例闡述決策樹在教育信息處理中的應(yīng)用，主要以在教學(xué)評(píng)價(jià)中的應(yīng)用為例來(lái)加以介紹。

關(guān)鍵詞 決策樹；數(shù)據(jù)挖掘；教育信息處理；教學(xué)評(píng)價(jià)

當(dāng)今社會(huì)處于一個(gè)信息爆炸的時(shí)代，海量的數(shù)據(jù)可以用來(lái)選擇和發(fā)掘信息，然而有時(shí)卻讓人無(wú)從下手，因此數(shù)據(jù)挖掘技術(shù)受到人們的高度關(guān)注。數(shù)據(jù)挖掘是從大量的、不完全的、有噪聲的、模糊的或者隨機(jī)的數(shù)據(jù)中提取人們事先不知道的但又是有用的信息和知識(shí)的過(guò)程。它的方法很多，其中決策樹是一種解決實(shí)際應(yīng)用分類問(wèn)題的數(shù)據(jù)挖掘方法。在教育教學(xué)中，根據(jù)決策樹算法的實(shí)際特點(diǎn)，它可以在教育信息處理中的信息采集上發(fā)揮很大的作用。決策樹介紹

決策樹學(xué)習(xí)是人們廣泛使用的一種歸納推理形式。決策樹起源于概念學(xué)習(xí)系統(tǒng)，其思路是找出最有分辨能力的屬性，把數(shù)據(jù)庫(kù)劃分為許多子集（對(duì)應(yīng)樹的一個(gè)分枝），構(gòu)成一個(gè)分枝過(guò)程，然后對(duì)每一個(gè)子集遞歸調(diào)用分支過(guò)程，直到所有子集包含同一類的數(shù)據(jù)。最后得到的決策樹能對(duì)新的例子進(jìn)行分類。它一般是從一組無(wú)次序、無(wú)規(guī)則的事例中推理出決策樹表示形式的分類規(guī)則。它一般需要給定一組訓(xùn)練例子，訓(xùn)練例子一般被看成用于創(chuàng)建模型的數(shù)據(jù)集。由此可以看出，決策樹是一個(gè)類似于流程圖的樹結(jié)構(gòu)，其中每一個(gè)內(nèi)部結(jié)點(diǎn)表示對(duì)一個(gè)屬性的測(cè)試，每一個(gè)分支代表一個(gè)決策輸出，而每個(gè)葉節(jié)點(diǎn)代表一個(gè)目標(biāo)分類。決策樹通過(guò)把實(shí)例從根節(jié)點(diǎn)排列到某個(gè)葉子節(jié)點(diǎn)來(lái)分類實(shí)例，葉子結(jié)點(diǎn)即為實(shí)例所屬的分類，樹上每個(gè)節(jié)點(diǎn)說(shuō)明對(duì)實(shí)例的某個(gè)屬性的測(cè)試，節(jié)點(diǎn)的每個(gè)后繼分支對(duì)應(yīng)于該屬性的一個(gè)可能值。假如需要根據(jù)人員的外貌特征對(duì)人員進(jìn)行分類，用于人員的外貌特征有3個(gè)，外貌列表={高度,發(fā)色,眼睛}；各屬性的值域分別為：高度={高,矮}，發(fā)色={黑色,紅色,金色}，眼睛={黑色,棕色}。分類結(jié)果有兩種：種類={+,-}。提供的訓(xùn)練例子集為：T={<(矮,金色,黑色),+>,<(高,金色,棕色),->,<(高,紅色,黑色),+>,<(矮,黑色,黑色),->,<(高,黑色,黑色),->,<(高,金色,黑色),+>,<(高,黑色,棕色),->,<(矮,金色,棕色),->}。上述文字可構(gòu)造圖1所示決策樹。決策樹學(xué)習(xí)算法

決策樹算法有幾種，如ID3、C4.5、CA RT等。其中ID3算法是最經(jīng)典的算法，該算法從根節(jié)點(diǎn)開始，這個(gè)根結(jié)點(diǎn)被賦予一個(gè)最好的屬性。隨后對(duì)該屬性的每個(gè)取值都生成相應(yīng)的分支，在每個(gè)分支的終點(diǎn)上又生成新的節(jié)點(diǎn)。然后按照該屬性的取值將每個(gè)訓(xùn)練例子都分別賦給一個(gè)相應(yīng)的新節(jié)點(diǎn)。如果沒(méi)有任何訓(xùn)練例子能賦給某個(gè)節(jié)點(diǎn)，那么該節(jié)點(diǎn)連同相應(yīng)的分支都將被刪除。這時(shí)，將每一個(gè)新節(jié)點(diǎn)都視作一個(gè)新的根節(jié)點(diǎn)，重復(fù)執(zhí)行整個(gè)過(guò)程。這里，最好屬性的選擇要基于信息增益這個(gè)統(tǒng)計(jì)特性。在定義信息增益前，先要了解另一統(tǒng)計(jì)特性：熵。

給定一組有c個(gè)分類的訓(xùn)練例子，對(duì)屬性a來(lái)說(shuō)，它有值v，其中pi是在第i類中屬性a取值為v的概率。為了能選出最好的屬性，需要使用度量信息增益。一屬性的信息增益就是按照該屬性對(duì)訓(xùn)練例子進(jìn)行劃分所帶來(lái)的熵的減少量。其中，T是訓(xùn)練例子的集合，Tj是屬性A取值為j的訓(xùn)練例子集合，為T的一個(gè)子集。決策樹在教育中的應(yīng)用

在教育教學(xué)中，尤其是在高等教育體系中，學(xué)校的數(shù)據(jù)庫(kù)中存貯著大量的教育教學(xué)信息，其中一部分和教學(xué)有關(guān)，如學(xué)校的開課排課情況、教師情況；一部分和學(xué)生有關(guān)，如學(xué)生歷年的考試、測(cè)驗(yàn)成績(jī)等。這些大量的數(shù)據(jù)后面隱藏著大量的信息，只要加以分析，就能得到許多有用的信息，如教育規(guī)律、學(xué)生的培養(yǎng)模式、學(xué)生學(xué)科間的差異性和相關(guān)性的一些規(guī)律。這些規(guī)律對(duì)教育管理決策來(lái)說(shuō)是相當(dāng)重要的，對(duì)教育教學(xué)改革有指導(dǎo)性的意義。

3.1 決策樹在教育信息處理中的應(yīng)用

決策樹表示的是一個(gè)離散值函數(shù)，樹中每一個(gè)節(jié)點(diǎn)表示一個(gè)屬性，同時(shí)目標(biāo)分類具有離散的輸出值信息。教育中的大量信息，一般都是對(duì)一些離散的數(shù)據(jù)進(jìn)行分析，比如學(xué)習(xí)成績(jī)一般分成優(yōu)、良、中、差，外語(yǔ)六級(jí)成績(jī)分成過(guò)與未過(guò)，這些信息都可以用決策樹來(lái)加以分類歸納，對(duì)于連續(xù)的屬性值，也可以進(jìn)行離散化處理后再利用決策樹來(lái)加以分析。

3.2 決策樹在教學(xué)評(píng)價(jià)中的應(yīng)用案例

決策樹在教育信息處理中的應(yīng)用很廣泛，下面以決策樹在教學(xué)評(píng)價(jià)中的應(yīng)用為例，來(lái)說(shuō)明在教育信息處理中是如何使用決策樹來(lái)分析的。教學(xué)評(píng)價(jià)在教育中是一個(gè)重要的問(wèn)題，它是指依據(jù)一定的教學(xué)目標(biāo)與教學(xué)規(guī)范標(biāo)準(zhǔn)，通過(guò)對(duì)學(xué)校教與學(xué)等教育情況的系統(tǒng)檢測(cè)與考核，評(píng)定其教學(xué)效果與教學(xué)目標(biāo)的實(shí)現(xiàn)程度。教學(xué)評(píng)價(jià)具有復(fù)雜性、多因素性和模糊性等特點(diǎn)。如何客觀、科學(xué)、全面地對(duì)教學(xué)進(jìn)行評(píng)價(jià)，是教學(xué)評(píng)價(jià)中一個(gè)重要的課題，下面嘗試將決策樹應(yīng)用于教學(xué)評(píng)價(jià)。

在評(píng)價(jià)之初要有一個(gè)數(shù)據(jù)采集的過(guò)程，之后可以用決策樹來(lái)加以分析。課堂教學(xué)評(píng)價(jià)指標(biāo)體系分為若干項(xiàng)，從教師的角度可以分為授課態(tài)度A1、授課方法A2、授課內(nèi)容A3、授課效果A4、教學(xué)評(píng)價(jià)A5，可以取訓(xùn)練例子如表1所示。

對(duì)給定的訓(xùn)練例子數(shù)據(jù)是把連續(xù)的數(shù)據(jù)離散化的結(jié)果，A為評(píng)分90～100，B為評(píng)分80～89，C為評(píng)分70～79，D為評(píng)分60～69，E為評(píng)分<60，N1為教師編號(hào)，表中的A5為目標(biāo)分類。

如果利用前面的ID3算法建立決策樹，先檢驗(yàn)所有信息增益的特征屬性，選擇信息增益最大的屬性作為決策樹的結(jié)點(diǎn)，由該特征的不同取值建立分支，對(duì)此分支的實(shí)例子集遞歸該方法建立決策樹的結(jié)點(diǎn)和分支，直到某一子集中的例子屬于同一類。

對(duì)給定訓(xùn)練例子的熵為：E(T)= 1.295 46。

表1 訓(xùn)練例子

N1 A1 A2 A3 A4 A5 1 B B B B 良 2 B B B B 良 3 B B B C 良 4 A A A A 優(yōu) 5 B C C C 中 6 C C C C 中 7 B C B B 良 8 B B C C 良 9 C B C C 中 A A B B 良

以屬性A1為例，A1的值={A,B,C}，由表中可以看出A3的信息增益最大，所以選A3屬性作為根節(jié)點(diǎn)的測(cè)試屬性，并根據(jù)其值向下分支，利用ID3算法進(jìn)一步劃分，當(dāng)根節(jié)點(diǎn)到當(dāng)前節(jié)點(diǎn)的路徑上包括所有屬性或當(dāng)前節(jié)點(diǎn)的訓(xùn)練樣本同屬一類時(shí)，算法結(jié)束。根據(jù)以上分析給出圖2所示決策樹。

圖2 決策樹

可以根據(jù)生成的決策樹，方便地提取其描述的知識(shí)，比如授課內(nèi)容A3在這里產(chǎn)生的信息增益最大等信息。小結(jié)

在教育信息中存在隱藏在數(shù)據(jù)中的規(guī)則，這些規(guī)則可以用不同的方法被挖掘。本文只是對(duì)決策樹中的分類ID3算法在數(shù)據(jù)處理中的應(yīng)用進(jìn)行研究，目的是得到教育教學(xué)中存在的規(guī)則，利用發(fā)現(xiàn)的規(guī)則對(duì)教育管理決策提供有參考意義的信息。

參 考 文 獻(xiàn)

[1]Callan R.人工智能[M].北京:電子工業(yè)出版社,2004 [2]尹朝慶.人工智能與專家系統(tǒng)[M].北京:中國(guó)水利水電出版社,2003 [3]朱福喜,等.人工智能原理[M].武漢:武漢大學(xué)出版社,2002 [4]陳翔,劉軍麗.應(yīng)用決策樹方法構(gòu)建評(píng)價(jià)指標(biāo)體系[J].計(jì)算機(jī)應(yīng)用,2006,26(2):368-370 [5]谷瓊,等.基于決策樹技術(shù)的高校研究生信息庫(kù)數(shù)據(jù)挖掘研究[J].電子技術(shù)應(yīng)用,2006,32(1):20-22 [6]王中輝,等.決策樹在教學(xué)評(píng)價(jià)中的應(yīng)用[J]甘肅科技,2006,22(3):125-126,106

第二篇：數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘結(jié)業(yè)論文

結(jié)合《數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘》課程內(nèi)容，寫一篇與該課程內(nèi)容相關(guān)的論文。

參考題目：

1.數(shù)據(jù)挖掘技術(shù)在數(shù)據(jù)倉(cāng)庫(kù)中的應(yīng)用

2.關(guān)聯(lián)規(guī)則在數(shù)據(jù)倉(cāng)庫(kù)中的應(yīng)用

3.Aproior算法及其改進(jìn)

4.決策樹算法綜述

5.聚類技術(shù)在XXX中的應(yīng)用

6.XXX分類算法在XXX中的應(yīng)用

7.分類算法的比較

8.聚類算法的比較

9.……

10.……

要求如下：

1.最上面內(nèi)容為：姓名、學(xué)號(hào)、專業(yè)和成績(jī)，見模板。

2.題目居中，宋體4號(hào)字加粗。

3.正文：首行縮進(jìn)2個(gè)漢字，宋體小四號(hào)，行間距為1.25，頁(yè)面設(shè)置為：左-2 右-1.5 上-2 下-2.左側(cè)裝訂。

4.若包含圖或表，則居中。

5.至少4頁(yè)，并在每頁(yè)下面的中間加上頁(yè)碼。

模板如下：

姓名___________ 學(xué)號(hào)____________ 專業(yè)______________ 成績(jī)_____________

題目

1.引言

2.XXX

3.XXX

4.…

5.結(jié)論

第三篇：數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘?qū)W習(xí)心得.

數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘?qū)W習(xí)心得

通過(guò)數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘的這門課的學(xué)習(xí),掌握了數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘的一些基礎(chǔ)知識(shí)和基本概念,了解了數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)庫(kù)的區(qū)別。下面談?wù)勎覍?duì)數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘?qū)W習(xí)心得以及閱讀相關(guān)方面的論文的學(xué)習(xí)體會(huì)。

《淺談數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘》這篇論文主要是介紹數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘的的一些基本概念。數(shù)據(jù)倉(cāng)庫(kù)是支持管理決策過(guò)程的、面向主題的、集成的、穩(wěn)定的、不同時(shí)間的數(shù)據(jù)集合。主題是數(shù)據(jù)數(shù)據(jù)歸類的標(biāo)準(zhǔn),每個(gè)主題對(duì)應(yīng)一個(gè)客觀分析的領(lǐng)域,他可為輔助決策集成多個(gè)部門不同系統(tǒng)的大量數(shù)據(jù)。數(shù)據(jù)倉(cāng)庫(kù)包含了大量的歷史數(shù)據(jù),經(jīng)集成后進(jìn)入數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)極少更新的。數(shù)據(jù)倉(cāng)庫(kù)內(nèi)的數(shù)據(jù)時(shí)間一般為5年至10年,主要用于進(jìn)行時(shí)間趨勢(shì)分析。數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)量很大。

數(shù)據(jù)倉(cāng)庫(kù)的特點(diǎn)如下:

1、數(shù)據(jù)倉(cāng)庫(kù)是面向主題的;

2、數(shù)據(jù)倉(cāng)庫(kù)是集成的,數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)有來(lái)自于分散的操作型數(shù)據(jù),將所需數(shù)據(jù)從原來(lái)的數(shù)據(jù)中抽取出來(lái),進(jìn)行加工與集成,統(tǒng)一與綜合之后才能進(jìn)入數(shù)據(jù)倉(cāng)庫(kù);

3、數(shù)據(jù)倉(cāng)庫(kù)是不可更新的,數(shù)據(jù)倉(cāng)庫(kù)主要是為決策分析提供數(shù)據(jù),所涉及的操作主要是數(shù)據(jù)的查詢;

4、數(shù)據(jù)倉(cāng)庫(kù)是隨時(shí)間而變化的,傳統(tǒng)的關(guān)系數(shù)據(jù)庫(kù)系統(tǒng)比較適合處理格式化的數(shù)據(jù),能夠較好的滿足商業(yè)商務(wù)處理的需求,它在商業(yè)領(lǐng)域取得了巨大的成功。

作為一個(gè)系統(tǒng),數(shù)據(jù)倉(cāng)庫(kù)至少包括3個(gè)基本的功能部分:數(shù)據(jù)獲取:數(shù)據(jù)存儲(chǔ)和管理;信息訪問(wèn)。

數(shù)據(jù)挖掘的定義:數(shù)據(jù)挖掘從技術(shù)上來(lái)說(shuō)是從大量的、不完全的、有噪音的、模糊的、隨機(jī)的數(shù)據(jù)中提取隱含在其中的、人們事先不知道的、但又是潛在的有用的信息和知識(shí)的過(guò)程。

數(shù)據(jù)開采技術(shù)的目標(biāo)是從大量數(shù)據(jù)中,發(fā)現(xiàn)隱藏于其后的規(guī)律或數(shù)據(jù)間的的關(guān)系,從而服務(wù)于決策。數(shù)據(jù)挖掘的主要任務(wù)有廣義知識(shí);分類和預(yù)測(cè);關(guān)聯(lián)分析;聚類。

《數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘技術(shù)在金融信息化中的應(yīng)用》論文主要通過(guò)介紹數(shù)據(jù)額倉(cāng)庫(kù)與數(shù)據(jù)挖掘的起源、定義以及特征的等方面的介紹引出其在金融信息化中的應(yīng)用。在金融信息化的應(yīng)用方面,金融機(jī)構(gòu)利用信息技術(shù)從過(guò)去積累的、海量的、以不同形式存儲(chǔ)的數(shù)據(jù)資料里提取隱藏著的許多

重要信息,并對(duì)它們進(jìn)行高層次的分析,發(fā)現(xiàn)和挖掘出這些數(shù)據(jù)間的整體特征描述及發(fā)展趨勢(shì)預(yù)測(cè),找出對(duì)決策有價(jià)值的信息,以防范銀行的經(jīng)營(yíng)風(fēng)險(xiǎn)、實(shí)現(xiàn)銀行科技管理及銀行科學(xué)決策。

現(xiàn)在銀行信息化正在以業(yè)務(wù)為中心向客戶為中心轉(zhuǎn)變6銀行信息化不僅是數(shù)據(jù)的集中整合,而且要在數(shù)據(jù)集中和整合的基礎(chǔ)上向以客為中心的方向轉(zhuǎn)變。銀行信息化要適應(yīng)競(jìng)爭(zhēng)環(huán)境客戶需求的變化,創(chuàng)造性地用信息技術(shù)對(duì)傳統(tǒng)過(guò)程進(jìn)行集成和優(yōu)化,實(shí)現(xiàn)信息共享、資源整合綜合利用,把銀行的各項(xiàng)作用統(tǒng)一起來(lái),優(yōu)勢(shì)互補(bǔ)統(tǒng)一調(diào)配各種資源,為銀行的客戶開發(fā)、服務(wù)、綜理財(cái)、管理、風(fēng)險(xiǎn)防范創(chuàng)立堅(jiān)實(shí)的基礎(chǔ),從而適應(yīng)日益發(fā)展的數(shù)據(jù)技術(shù)需要,全面提高銀行競(jìng)爭(zhēng)力,為金融創(chuàng)新和提高市場(chǎng)反映能力服務(wù)。沃爾瑪利用信息技術(shù)建設(shè)的數(shù)據(jù)倉(cāng)庫(kù),在1997年圣誕節(jié)進(jìn)行市場(chǎng)技術(shù)建立的數(shù)據(jù)倉(cāng)庫(kù),即分析顧客最可能一起購(gòu)買那些商品,結(jié)果產(chǎn)生了經(jīng)典的“啤酒與尿布”的故事,這便是借助于數(shù)據(jù)倉(cāng)庫(kù)系統(tǒng)

第四篇：數(shù)據(jù)挖掘與數(shù)據(jù)倉(cāng)庫(kù)--教學(xué)大綱

數(shù)據(jù)挖掘與數(shù)據(jù)倉(cāng)庫(kù)（教學(xué)大綱）

Data mining and data warehouse

課程編碼：05405140 學(xué)分： 2.5 課程類別： 專業(yè)方向課 計(jì)劃學(xué)時(shí)： 48 其中講課：32 實(shí)驗(yàn)或?qū)嵺`： 上機(jī)：16 適用專業(yè)：信息管理與信息系統(tǒng)、電子商務(wù) 推薦教材：

陳文偉，數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘教程，清華大學(xué)出版社，2008 參考書目：

1.Richard J.Roiger, Michael W.Geatz.Data Mining: A Tutorial-Based Primer.2003.2.Ian H.Witten, Eibe Frank.Data Mining: Practical Machine Learning Tools and Techniques(第二版).機(jī)械工業(yè)出版社（影印版），2005.3.Jiawei Han, Micheline Kamber.Data Mining: Concepts and Techniques.2001.5.4.數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘技術(shù)（第2版），陳京民 編著，電子工業(yè)出版社，2007.11 5.數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)挖掘，蘇新寧 等編著，清華大學(xué)出版社，2006.4 6.數(shù)據(jù)挖掘Clementine應(yīng)用實(shí)務(wù)，謝邦昌 主編，機(jī)械工業(yè)出版社，2008.4

課程的教學(xué)目的與任務(wù)

本課程將系統(tǒng)介紹數(shù)據(jù)挖掘的基本概念、基本原理和應(yīng)用基礎(chǔ)，通過(guò)課堂講授、實(shí)例分析，提高學(xué)生數(shù)據(jù)挖掘技術(shù)的認(rèn)識(shí)，熟悉基本工具應(yīng)用，并掌握設(shè)計(jì)和開發(fā)數(shù)據(jù)挖掘算法和系統(tǒng)的初步能力。

課程的基本要求

1、了解數(shù)據(jù)倉(cāng)庫(kù)及數(shù)據(jù)挖掘的概念、特征、應(yīng)用范圍，以及主要數(shù)據(jù)挖掘工具

2、了解OLTP 和 OLAP的區(qū)別；熟悉OLAP 的體系結(jié)構(gòu)，以及如何評(píng)價(jià)OLAP工具；掌握多維分析的基本分析動(dòng)作。

3、了解數(shù)據(jù)質(zhì)量，掌握數(shù)據(jù)預(yù)處理方法，4、掌握數(shù)據(jù)挖掘的定性歸納技術(shù)、關(guān)聯(lián)挖掘、聚類分析、分類方法、預(yù)測(cè)方法、文本挖掘、WEB挖掘

5、熟練掌握數(shù)據(jù)挖掘軟件Clementine在各類挖掘任務(wù)中的應(yīng)用。各章節(jié)授課內(nèi)容、教學(xué)方法及學(xué)時(shí)分配建議（含課內(nèi)實(shí)驗(yàn)）

第一章.數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘概述 建議學(xué)時(shí)：2 [教學(xué)目的與要求] 了解數(shù)據(jù)倉(cāng)庫(kù)及數(shù)據(jù)挖掘的概念、特征、應(yīng)用范圍，以及主要數(shù)據(jù)挖掘工具。[教學(xué)重點(diǎn)與難點(diǎn)] 數(shù)據(jù)倉(cāng)庫(kù)及數(shù)據(jù)挖掘的概念

[授 課 方 法] 以課堂講授為主，課堂討論和課下自學(xué)為輔 [授 課 內(nèi) 容] 1.1 為什么要數(shù)據(jù)挖掘 1.2 數(shù)據(jù)挖掘的應(yīng)用示例 1.3 數(shù)據(jù)挖掘方法簡(jiǎn)介

1.4 數(shù)據(jù)挖掘與其他學(xué)科的關(guān)系 1.5 商務(wù)智能的三大塊 1.6 常用數(shù)據(jù)挖掘工具簡(jiǎn)介

第二章 數(shù)據(jù)倉(cāng)庫(kù)技術(shù)

建議學(xué)時(shí)：4 [教學(xué)目的與要求] 了解數(shù)據(jù)倉(cāng)庫(kù)的概念，區(qū)分與傳統(tǒng)數(shù)據(jù)庫(kù)技術(shù)的不同；掌握數(shù)據(jù)倉(cāng)庫(kù)存儲(chǔ)的抽取、轉(zhuǎn)換和裝載

[教學(xué)重點(diǎn)與難點(diǎn)] 數(shù)據(jù)倉(cāng)庫(kù)存儲(chǔ)的抽取、轉(zhuǎn)換和裝載；數(shù)據(jù)倉(cāng)庫(kù)存儲(chǔ)的數(shù)據(jù)模型 [授 課 方 法] 以課堂講授為主，課堂討論和課下自學(xué)為輔 [授 課 內(nèi) 容] 2.1 數(shù)據(jù)倉(cāng)庫(kù)的概念

2.2 數(shù)據(jù)倉(cāng)庫(kù)存儲(chǔ)的數(shù)據(jù)模型 2.3 數(shù)據(jù)倉(cāng)庫(kù)的體系結(jié)構(gòu)

2.4 數(shù)據(jù)倉(cāng)庫(kù)應(yīng)用的抽取、轉(zhuǎn)換和裝載

第三章 數(shù)據(jù)倉(cāng)庫(kù)開發(fā)模型

建議學(xué)時(shí)：4 [教學(xué)目的與要求] 了解數(shù)據(jù)倉(cāng)庫(kù)開發(fā)模型的概念，了解數(shù)據(jù)倉(cāng)庫(kù)開發(fā)過(guò)程，掌握數(shù)據(jù)倉(cāng)庫(kù)三種概念模型：星型模式、雪花模式、或事實(shí)星座模式，掌握數(shù)據(jù)粒度概念，元數(shù)據(jù)概念。

[教學(xué)重點(diǎn)與難點(diǎn)] 數(shù)據(jù)倉(cāng)庫(kù)三種概念模型，數(shù)據(jù)粒度概念，元數(shù)據(jù)概念 [授 課 方 法] 以課堂講授為主，課堂討論和課下自學(xué)為輔 [授 課 內(nèi) 容] 3.1 數(shù)據(jù)倉(cāng)庫(kù)開發(fā)模型的概念

3.2 數(shù)據(jù)倉(cāng)庫(kù)的概念模型 3.3 數(shù)據(jù)倉(cāng)庫(kù)的邏輯模型 3.4 數(shù)據(jù)倉(cāng)庫(kù)的物理模型 3.5 數(shù)據(jù)倉(cāng)庫(kù)的生成

3.6 數(shù)據(jù)倉(cāng)庫(kù)的使用和維護(hù)

3.7 數(shù)據(jù)倉(cāng)庫(kù)的粒度、聚集和分割 3.8 元數(shù)據(jù)

第四章 聯(lián)機(jī)分析處理(OLAP)技術(shù) 建議學(xué)時(shí)：4 [教學(xué)目的與要求] 了解OLTP 和 OLAP的區(qū)別；熟悉OLAP 的體系結(jié)構(gòu)，以及如何評(píng)價(jià)OLAP工具；掌握多維分析的基本分析動(dòng)作。[教學(xué)重點(diǎn)與難點(diǎn)] OLAP 的體系結(jié)構(gòu)；多維分析的基本分析動(dòng)作 [授 課 方 法] 以課堂講授為主，課堂討論和課下自學(xué)為輔 [授 課 內(nèi) 容] 4.1 從OLTP 到 OLAP 4.2 OLAP 的基本概念

4.3 多維分析的基本分析動(dòng)作 4.4 OLAP 的數(shù)據(jù)組織 4.5 OLAP 的體系結(jié)構(gòu) 4.6 OLAP 工具及評(píng)價(jià)

4.7 Codd 關(guān)于 OLAP 產(chǎn)品的十二條評(píng)價(jià)準(zhǔn)則

第五章 數(shù)據(jù)挖掘的原理與技術(shù) 建議學(xué)時(shí)：4 [教學(xué)目的與要求] 了解為什么要數(shù)據(jù)挖掘、數(shù)據(jù)挖掘與其他學(xué)科的關(guān)系，熟悉常用數(shù)據(jù)挖掘方法和工具，掌握數(shù)據(jù)挖掘的原理與技術(shù)。

[教學(xué)重點(diǎn)與難點(diǎn)] 數(shù)據(jù)挖掘的原理與技術(shù)，數(shù)據(jù)挖掘與其他學(xué)科的關(guān)系 [授 課 方 法] 以課堂講授為主，課堂討論和課下自學(xué)為輔 [授 課 內(nèi) 容] 5.1 知識(shí)發(fā)現(xiàn)的過(guò)程

5.2 數(shù)據(jù)挖掘的方法和技術(shù) 5.3 數(shù)據(jù)挖掘的知識(shí)表示

第六章 數(shù)據(jù)的獲取和管理 建議學(xué)時(shí)：4 [教學(xué)目的與要求] 了解數(shù)據(jù)的數(shù)據(jù)獲取和管理，掌握數(shù)據(jù)質(zhì)量的多維度量，掌握數(shù)據(jù)預(yù)處理方法 [教學(xué)重點(diǎn)與難點(diǎn)] 數(shù)據(jù)質(zhì)量，數(shù)據(jù)預(yù)處理方法

[授 課 方 法] 以課堂講授為主，課堂討論和課下自學(xué)為輔 [授 課 內(nèi) 容] 6.1 數(shù)據(jù)倉(cāng)庫(kù)的數(shù)據(jù)獲取 6.2 數(shù)據(jù)管理 6.3 系統(tǒng)管理 6.4 數(shù)據(jù)的預(yù)處理

6.5 數(shù)據(jù)質(zhì)量的多維度量 6.6 數(shù)據(jù)預(yù)處理的主要方法

第七章 定性歸納

建議學(xué)時(shí)：2 [教學(xué)目的與要求] 了解數(shù)據(jù)挖掘的定性歸納技術(shù)，掌握ID3算法、C5.0算法。[教學(xué)重點(diǎn)與難點(diǎn)] ID3算法、C5.0算法

[授 課 方 法] 以課堂講授為主，課堂討論和課下自學(xué)為輔 [授 課 內(nèi) 容] 7.1 基本概念 7.2 數(shù)據(jù)泛化 7.3 屬性相關(guān)分析 7.4 挖掘概念對(duì)比描述

7.5 挖掘大數(shù)據(jù)庫(kù)的描述型統(tǒng)計(jì)信息

第八章 關(guān)聯(lián)挖掘

建議學(xué)時(shí)：2 [教學(xué)目的與要求] 了解關(guān)聯(lián)挖掘和的方法，掌握Apriori算法 [教學(xué)重點(diǎn)與難點(diǎn)] Apriori算法

[授 課 方 法] 以課堂講授為主，課堂討論和課下自學(xué)為輔 [授 課 內(nèi) 容] 8.1 基本概念

8.2 單維布爾邏輯關(guān)聯(lián)規(guī)則挖掘 8.3 多層關(guān)聯(lián)規(guī)則挖掘 8.4 多維關(guān)聯(lián)規(guī)則挖掘

8.5 關(guān)聯(lián)規(guī)則聚類系統(tǒng)(ARCS)8.6 關(guān)聯(lián)規(guī)則其它內(nèi)容

第九章

聚類分析

建議學(xué)時(shí)：2 [教學(xué)目的與要求] 了解什么是聚類分析、聚類和分類的區(qū)別，掌握聚類分析的算法。[教學(xué)重點(diǎn)與難點(diǎn)] 聚類分析的算法

[授 課 方 法] 以課堂講授為主，課堂討論和課下自學(xué)為輔 [授 課 內(nèi) 容] 9.1 什么是聚類分析

9.2 聚類分析中的數(shù)據(jù)類型 9.3 主要聚類算法的分類

第十章 分類 建議學(xué)時(shí)：2 [教學(xué)目的與要求] 了解什么是數(shù)據(jù)挖掘的分類，掌握KNN(K-Nearest Neighbor)分類和Bayes分類 [教學(xué)重點(diǎn)與難點(diǎn)] KNN(K-Nearest Neighbor)分類和Bayes分類 [授 課 方 法] 以課堂講授為主，課堂討論和課下自學(xué)為輔 [授 課 內(nèi) 容] 10.1 10.2 10.3 10.4 10.5

第十一章 預(yù)測(cè) 建議學(xué)時(shí)：2 [教學(xué)目的與要求] 了解預(yù)測(cè)算法，掌握回歸預(yù)測(cè)、廣義線性GenLin模型預(yù)測(cè)、支持向量機(jī)預(yù)測(cè) [教學(xué)重點(diǎn)與難點(diǎn)] 回歸預(yù)測(cè)、廣義線性GenLin模型預(yù)測(cè)、支持向量機(jī)預(yù)測(cè) [授 課 方 法] 以課堂講授為主，課堂討論和課下自學(xué)為輔 [授 課 內(nèi) 容] 11.1 11.2 預(yù)測(cè)的基本知識(shí) 預(yù)測(cè)的數(shù)據(jù)準(zhǔn)備 分類的基本知識(shí) 決策樹分類 支持向量機(jī)分類

KNN(K-Nearest Neighbor)分類 Bayes分類 11.3 11.4 11.5 11.6

預(yù)測(cè)的主要方法 回歸預(yù)測(cè)

廣義線性GenLin模型預(yù)測(cè) 支持向量機(jī)預(yù)測(cè)

撰稿人：蔡永明 審核人：

第五篇：數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘第一次作業(yè)

數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)挖掘第一次作業(yè)

電子商務(wù)這一行業(yè)目前還處于摸索期，有很多需要完善和可以創(chuàng)新的地方。這學(xué)期選修了袁老師的《電子商務(wù)》，印象最深的就是老師提過(guò)這樣的想法：電商（主要是B2B）、百度等搜索引擎以及新浪微博等社交平臺(tái)都是可以做咨詢業(yè)的，即根據(jù)客戶的消費(fèi)（或搜索）記錄、評(píng)價(jià)等信息定期為企業(yè)生成反饋報(bào)告。要實(shí)現(xiàn)之一定是需要數(shù)據(jù)倉(cāng)庫(kù)和數(shù)據(jù)挖掘等這類技術(shù)，通過(guò)收集、分析大量客戶數(shù)據(jù)，為企業(yè)的預(yù)測(cè)、決策提供情報(bào)。

企業(yè)通過(guò)電子商務(wù)網(wǎng)站開展網(wǎng)絡(luò)經(jīng)營(yíng)的過(guò)程中，利用數(shù)據(jù)倉(cāng)庫(kù)組織和存儲(chǔ)大量的客戶信息，在此基礎(chǔ)上利用數(shù)據(jù)挖掘技術(shù)對(duì)這些信息進(jìn)行抽取、分析，找出更深層次的隱藏信息，從而使企業(yè)的電子商務(wù)網(wǎng)站達(dá)到更高的客戶滿意度，將大大地提高企業(yè)網(wǎng)絡(luò)經(jīng)營(yíng)的效率，大大降低企業(yè)的運(yùn)營(yíng)成本。具體功能和作用如下： 首先，電子銷售商可以獲知訪問(wèn)者的個(gè)人愛好，更加充分地了解顧客的需要，并根據(jù)顧客的資料分析潛在的目標(biāo)市場(chǎng)。

其次，企業(yè)也可以了解客戶的價(jià)值，利用數(shù)據(jù)倉(cāng)庫(kù)的資料，發(fā)現(xiàn)什么樣的顧客群在網(wǎng)站上購(gòu)買什么商品，區(qū)分高價(jià)值顧客和一般價(jià)值顧客，對(duì)各類顧客采取相應(yīng)的營(yíng)銷策略。

再次，根據(jù)顧客的歷史資料，不僅可以預(yù)測(cè)需求趨勢(shì)，還可以評(píng)估需求傾向的改變，為顧客提供更好的服務(wù)。

另外，企業(yè)通過(guò)理解訪問(wèn)者的動(dòng)態(tài)行為可以優(yōu)化電子商務(wù)網(wǎng)站的經(jīng)營(yíng)模式。最后，對(duì)涉及消費(fèi)行為的大量信息進(jìn)行收集、加工和處理，企業(yè)就可以確定特定消費(fèi)群體或個(gè)體的興趣、消費(fèi)習(xí)慣、消費(fèi)傾向和消費(fèi)需求，進(jìn)而推斷出相應(yīng)消費(fèi)群體或個(gè)體下一步的消費(fèi)行為，然后以此為基礎(chǔ)，對(duì)所識(shí)別出來(lái)的消費(fèi)群體進(jìn)行特定內(nèi)容的定向營(yíng)銷。例如：（1）對(duì)那些要通過(guò)網(wǎng)站發(fā)送廣告的企業(yè)，分析用戶訪問(wèn)模式有助于針對(duì)性地在某些用戶經(jīng)常訪問(wèn)的地方插播廣告條。這樣，根據(jù)這些信息，網(wǎng)站的建設(shè)者就可以對(duì)特定的顧客群提供個(gè)性化廣告服務(wù)。這種廣告要比泛泛的、隨意的廣告有價(jià)值得多；（2）在強(qiáng)大的數(shù)據(jù)挖掘技術(shù)與全面的顧客資料數(shù)據(jù)基礎(chǔ)上，企業(yè)可以根據(jù)各個(gè)細(xì)分市場(chǎng)，甚至是每一個(gè)顧客的獨(dú)特需求來(lái)為他們?cè)O(shè)計(jì)“量身定造”的產(chǎn)品。高度細(xì)分化、定制化的產(chǎn)品有利于提高顧客滿意度，鞏固與他們的長(zhǎng)久關(guān)系，最終達(dá)到留住顧客的目的；（3）針對(duì)顧客設(shè)計(jì)個(gè)性化網(wǎng)站。利用數(shù)據(jù)挖掘工具，電子商務(wù)網(wǎng)站可以做到以顧客需求為導(dǎo)向，達(dá)到一對(duì)一行銷的目的。網(wǎng)站將改變?cè)械那宦傻男问?，而?qiáng)調(diào)信息個(gè)性化，亦即顧客所得到的信息將是網(wǎng)站針對(duì)其個(gè)人喜好、需求與特點(diǎn)的設(shè)定所給予的，也就是符合顧客的個(gè)人信息需求。例如顧客可以到一些新聞上去訂閱他喜歡看的信息類別，如政治新聞或科技新聞。當(dāng)使用者再次拜訪此網(wǎng)站時(shí)，網(wǎng)站就會(huì)智能地只顯示出該顧客所喜歡看的信息。