《普通高等院校電子商務“十二五”規劃重點教材：數據挖掘原理與商務應用》的內容涵蓋如何利用相關軟件產品實現數據挖掘的經典算法和技術，還涵蓋數據挖掘技術在商務領域中的應用。本書既適合計算機應用技術專業，也適合經管類信息管理與電子商務專業的學生學習。書中既注重從計算機應用角度來講解數據挖掘，又注重數據挖掘與商務智能、管理科學、決策支持系統的結合。
第1篇 理論篇
第1章 緒論
1.1 數據挖掘的基礎概念
1.1.1 數據
1.1.2 知識
1.1.3 信息
1.1.4 數據挖掘的定義
1.2 數據挖掘與數據庫的關系
1.2.1 數據庫簡介
1.2.2 數據挖掘與數據庫
1.3 數據挖掘的過程
1.4 數據挖掘的體系結構
1.5 數據挖掘在商務智能中的位置
1.6 數據挖掘常見技術
1.7 數據挖掘標準的發展
1.7.1 預測模型標記語言PMML
1.7.2 公共倉庫元模型CWM
1.7.3 跨行業數據挖掘標準流程CRISP-DM
1.8 習題
第2章 數據倉庫與OLAP分析
2.1 數據倉庫
2.1.1 數據倉庫與數據挖掘的關系
2.1.2 數據倉庫的數據模型
2.1.3 元數據
2.2 ETL過程
2.2.1 數據抽取
2.2.2 數據轉換
2.2.3 數據加載
2.3 聯機分析處理OLAP
2.3.1 OLAP概念
2.3.2 OLAP的操作
2.3.3 OLAP多維數據分析
2.4 習題
第3章 關聯分析
3.1 關聯概述
3.2 關聯規則的定義
3.3 關聯分析的過程
3.4 關聯分析的基本算法
3.5 關聯規則的分類
3.6 關聯分析的發展
3.7 習題
第4章 分類分析
4.1 分類概述
4.2 基于決策樹的分類
4.2.1 決策樹的概念
4.2.2 決策樹的基本算法
4.2.3 決策樹修剪
4.2.4 決策樹的改進
4.3 分類分析的其他技術
4.3.1 支持向量機
4.3.2 貝葉斯網絡
4.4 習題
第5章 聚類分析
5.1 聚類概述
5.2 相似性度量
5.2.1 明氏（Minkowski）距離
5.2.2 蘭氏（Canberra）距離。
5.2.3 馬氏（Mahalanobis）距離
5.3 層次聚類法
5.3.1 最短距離法
5.3.2 最長距離法
5.3.3 二元變量度量
5.4 K-均值聚類算法
5.5 習題
第6章 數據挖掘的仿生技術
6.1 人工神經網絡
6.1.1 人腦神經元與神經元模型
6.1.2 人工神經網絡模型
6.1.3 BP網絡的基本原理
6.2 遺傳算法
6.3 蟻群算法
6.4 習題
第7章 數據挖掘的集合論技術
7.1 粗糙集理論
7.1.1 信息系統
7.1.2 粗糙集
7.1.3 屬性約簡
7.2 模糊集理論
7.2. 13次數學危機與模糊數學的誕生
7.2.2 模糊集合論的基礎知識
7.2.3 λ截集和支集
7.2.4 怎樣度量模糊性
7.2.5 模糊數學應用
7.3 習題
第2篇 實踐篇
第8章 數據挖掘工具
8.1 SPSS工具
8.2 WEKA工具
8.2.1 WEKA的背景
8.2.2 WEKA的功能
8.2.3 WEKA的使用
8.3 IBM Data Miner工具
8.4 MS SQL Server 2008數據分析引擎
8.5 ETL工具Data Stage
8.5.1 Datastage過程理論
8.5.2 Datastage的并行機制
8.6 習題
第9章 關聯分析在客戶關系管理的應用
9.1 客戶關系管理基本理論
9.1.1 客戶關系管理定義
9.1.2 CRM中的客戶類型
9.1.3 CRM系統體系理論
9.1.4 數據挖掘在客戶關系管理中的應用
9.2 實例研究背景——Foodmart簡介及DB分析
9.3 購物數據的預處理
9.4 數據集成與轉換
9.5 建立Foodmart公司購物籃分析模型
9.6 WEKA軟件挖掘過程
9.7 結果分析
9.8 習題
第10章 分類分析和聚類分析在客戶關系管理的綜合應用
10.1 Foodmart DB客戶數據分析
10.2 決策樹分類算法數據準備
10.2.1 數據的預處理
10.2.2 數據集成與轉換
10.3 零售業客戶決策樹分類模型的建立
10.3.1 聚類分析
10.3.2 決策樹分析
10.3.3 挖掘模型及流程
10.4 結果分析
10.5 習題
第11章 機場場區商務智能系統解決方案
11.1 OMG-DMS需求分析
11.2 方案設計思路
11.2.1 OMC商務智能的理念
11.2.2 OMC數據挖掘系統
11.3 OMC數據挖掘系統的部署
11.4 應用數據挖掘的OMC-DMS決策支持示例
11.5 OMC-DMS的職位需求
11.6 習題
參考文獻
后記
新書資訊