| Оглавление Об авторах |
1 |
| Благодарности |
3 |
| Предисловие |
5 |
| Введение |
7 |
| Как организована эта книга |
7 |
| Кому следует прочитать эту книгу |
11 |
| Условные обозначения |
11 |
| Инструменты, которые вам понадобятся |
11 |
| Что есть на Web-сайте |
12 |
Глава 1. Введение в интеллектуальный анализ данных SQL Server 2008 |
13 |
| Бизнес-проблемы для интеллектуального анализа данных |
17 |
| Задачи интеллектуального анализа данных |
18 |
| Классификация |
18 |
| Кластеризация |
19 |
| Взаимосвязи |
20 |
| Регрессия |
20 |
| Прогнозирование |
21 |
| Анализ последовательностей |
22 |
| Анализ отклонений |
22 |
| Проектный цикл интеллектуального анализа данных |
23 |
| Формулирование бизнес-проблемы |
23 |
| Сбор данных |
23 |
| Очистка и преобразование данных |
24 |
| Создание модели |
25 |
| Оценка модели |
26 |
| Отчетность и прогнозирование |
26 |
| Интеграция приложения |
26 |
| Управление моделями |
27 |
| Резюме |
27 |
Глава 2. Прикладной интеллектуальный анализ данных при помощи Microsoft Excel 2007 |
29 |
| Настройка инструментов Table Analysis |
30 |
| Настройка аналитических служб с административными правами |
31 |
| Настройка аналитических служб без прав администратора |
32 |
| Подготовка к работе надстройки |
33 |
| Что делать, если вам нужна помощь |
37 |
| Инструмент Analyze Key Influencers |
37 |
| Отчет инструмента Analyze Key Influencers |
39 |
| Сравнительный отчет |
42 |
| Резюме задачи Analyze Key Influencers |
44 |
| Инструмент Detect Categories |
44 |
| Запуск инструмента |
45 |
| Отчет по категориям Categories Report |
46 |
| Категории и количество строк в каждой |
46 |
| Характеристики категорий |
47 |
| Диаграмма профилей категорий Category Profiles Chart |
48 |
| Резюме по инструменту Detect Categories |
51 |
| Инструмент Fill From Example |
51 |
| Запуск инструмента и интерпретация результатов |
52 |
| Уточнение результатов |
55 |
| Резюме по инструменту Fill From Example |
56 |
| Инструмент прогнозирования Forecast |
56 |
| Запуск инструмента и указание опций |
57 |
| Интерпретация результатов |
60 |
| Резюме по инструменту Forecast |
61 |
| Инструмент Highlight Exceptions |
62 |
| Использование инструмента |
62 |
| Более сложные взаимодействия |
66 |
| Ограничения и поиск ошибок |
68 |
| Резюме по инструменту Highlight Exceptions |
69 |
| Инструмент Scenario Analysis |
70 |
| Инструмент Goal Seek |
72 |
| Использование Goal Seek для числовой цели |
75 |
| Использование инструмента Goal Seek для всей таблицы |
76 |
| Инструмент What-If |
77 |
| Использование What-If для всей таблицы |
80 |
| Резюме по инструменту Scenario Analysis |
82 |
| Инструмент Prediction Calculator |
82 |
| Запуск инструмента |
84 |
| Электронная таблица Prediction Calculator |
85 |
| Таблица Printable Calculator |
88 |
| Уточнение результатов |
88 |
| Использование результатов |
94 |
| Резюме по инструменту Prediction Calculator |
95 |
| Инструмент анализа потребительской корзины Shopping Basket Analysis |
95 |
| Использование инструмента |
96 |
| Отчет Bundled Item |
98 |
| Отчет Recommendations |
99 |
| Подстройка инструмента |
101 |
| Резюме по инструменту Shopping Basket Analysis |
103 |
| Технический обзор инструментов Table Analysis |
103 |
| Резюме |
104 |
Глава 3. Концепции интеллектуального анализа данных и язык DMX |
105 |
| История DMX |
105 |
| Почему DMX? |
106 |
| Процесс интеллектуального анализа данных |
107 |
| Ключевые концепции |
108 |
| Атрибут |
109 |
| Состояние |
110 |
| Вариант |
111 |
| Ключи |
113 |
| Входы и выходы |
114 |
| Объекты DMX |
117 |
| Структура интеллектуального анализа |
117 |
| Модель интеллектуального анализа |
118 |
| Синтаксис запросов DMX |
119 |
| Создание структур интеллектуального анализа |
120 |
| Дискретизированные столбцы |
121 |
| Вложенные таблицы |
123 |
| Разделение на обучающий и проверочный наборы данных |
123 |
| Создание моделей интеллектуального анализа |
124 |
| Вложенные таблицы |
126 |
| Сложные сценарии вложения |
129 |
| Фильтры |
133 |
| Заполнение структур интеллектуального анализа |
134 |
| Заполнение вложенных таблиц |
136 |
| Запрос данных структуры |
139 |
| Запрос данных модели |
139 |
| Прогнозирование |
142 |
| Прогнозирующее соединение |
142 |
| Синтаксис прогнозирующих запросов |
144 |
| Вложенные исходные данные |
145 |
| Прогноз в реальном времени |
146 |
| Вырожденные прогнозы |
147 |
| Прогнозирующие функции |
147 |
| PredictNodeID |
151 |
| Внешние или определяемые пользователем функции |
151 |
| Прогнозы по вложенным таблицам |
151 |
| Прогноз вложенных столбцов значений |
152 |
| Резюме |
154 |
Глава 4. Использование интеллектуального анализа данных SQL Server Data Mining |
155 |
| Представляем Business Intelligence Development Studio |
156 |
| Разбираемся в пользовательском интерфейсе |
156 |
| Режимы Offline и Immediate |
159 |
| Режим Immediate |
159 |
| Режим Offline |
161 |
| Переключение режимов проекта |
163 |
| Создание объектов интеллектуального анализа данных |
164 |
| Настройка источников данных |
164 |
| Источники данных |
165 |
| Создание источника данных MovieClick |
166 |
| Использование представления источника данных |
167 |
| Создание представления источника данных MovieClick |
167 |
| Работа с именованными вычислениями |
170 |
| Создание именованного вычисления для таблицы Customers |
171 |
| Работа с именованными запросами |
172 |
| Создание именованного запроса по таблице Customers |
173 |
| Организуем DSV |
175 |
| Исследование данных |
176 |
| Создание и редактирование моделей |
178 |
| Структуры и модели |
179 |
| Использование мастера Data Mining Wizard |
179 |
| Создание структуры и модели интеллектуального анализа MovieClick |
187 |
| Использование визуального конструктора Data Mining Designer |
189 |
| Работа с редактором Mining Structure Editor |
189 |
| Добавление столбца Genre во вложенную таблицу Movies |
192 |
| Работа с редактором моделей интеллектуального анализа |
192 |
| Создание и модификация дополнительных моделей |
196 |
| Обработка |
196 |
| Обработка структуры интеллектуального анализа MovieClick |
198 |
| Использование моделей |
199 |
| Разбираемся со средствами просмотра моделей |
199 |
| Диаграмма точности анализа Mining Accuracy Chart |
201 |
| Выбор проверочных данных |
201 |
| Разбираемся с диаграммами точности |
203 |
| Использование диаграммы роста прибыли |
205 |
| Диаграммы точности прогнозирования для множества целей |
206 |
| Использование матрицы классификации |
207 |
| Точечные диаграммы точности |
207 |
| Создание диаграммы точности прогнозов для MovieClick |
208 |
| Использование CrossValidation |
209 |
| Использование построителя Mining Model Prediction Builder |
213 |
| Выполнение запроса для модели MovieClick |
214 |
| Создание отчетов интеллектуального анализа данных |
215 |
| Использование SQL Server Management Studio |
217 |
| Разбираемся в пользовательском интерфейсе Management Studio |
218 |
| Использование Server Explorer |
218 |
| Использование Object Explorer |
219 |
| Использование редактора запросов Query Editor |
220 |
| Резюме |
221 |
Глава 5. Реализация процесса интеллектуального анализа данных при помощи Office 2007 |
223 |
| Представляем Data Mining Client |
224 |
| Импорт данных с помощью Data Mining Client |
225 |
| Исследование и подготовка данных |
227 |
| Дискретизация данных при помощи инструмента Explore Data |
228 |
| Обрубаем длинный хвост |
229 |
| Смысловая консолидация |
230 |
| Исключение нетипичных значений |
232 |
| Балансировка данных |
233 |
| Моделирование |
234 |
| Моделирование на основе задач |
234 |
| Введение |
236 |
| Выбор данных |
236 |
| Выбор столбцов и опций |
237 |
| Разбиение данных |
238 |
| Завершение задачи |
238 |
| Сложное моделирование в Data Mining Client |
239 |
| Точность и проверка |
241 |
| Использование модели |
243 |
| Просмотр моделей |
243 |
| Просмотр моделей при помощи Visio |
245 |
| Запросы к моделям |
247 |
| Мастер запросов |
247 |
| Функции ячеек для выполнения интеллектуального анализа |
251 |
| DMPREDICT |
251 |
| DMPREDICTTABLEROW |
251 |
| DMCONTENTQUERY |
252 |
| Управление моделями |
253 |
| Трассировка |
253 |
| Резюме |
253 |
Глава 6. Алгоритм Microsoft Naive Bayes |
255 |
| Представляем алгоритм Naive Bayes |
256 |
| Использование алгоритма Naive Bayes |
257 |
| Создание прогнозирующей модели |
258 |
| Исследование данных |
259 |
| Анализ ключевых факторов влияния |
260 |
| Классификация документов |
261 |
| DMX |
263 |
| Детализация |
263 |
| Разбираемся с содержимым Naive Bayes |
264 |
| Исследование модели Naive Bayes |
266 |
| Dependency Network |
267 |
| Attribute Profiles |
268 |
| Attribute Characteristics |
269 |
| Attribute Discrimination |
270 |
| Разбираемся с принципами Naive Bayes |
271 |
| Ограничения алгоритма Naive Bayes |
274 |
| Параметры Naive Bayes |
276 |
| MAXIMUM_INPUT_ATTRIBUTES |
276 |
| MAXIMUM_OUTPUT_ATTRIBUTES |
276 |
| MAXIMUM_STATES |
276 |
| MINIMUM_DEPENDENCY_PROBABILITY |
277 |
| Резюме |
277 |
Глава 7. Алгоритм Microsoft Decision Trees |
279 |
| Представляем деревья решений |
280 |
| Использование деревьев решений |
281 |
| Создание модели дерева решений |
281 |
| Запросы DMX |
281 |
| Модель классификации |
282 |
| Модель регрессии |
284 |
| Взаимосвязи |
286 |
| Содержимое модели |
288 |
| Интерпретация модели |
289 |
| Принципы деревьев решений |
293 |
| Базовые концепции роста дерева |
293 |
| Работа с множеством состояний атрибута |
296 |
| Как избежать переобучения |
297 |
| Введение предварительных знаний |
298 |
| Выбор функций |
298 |
| Использование непрерывных входов |
299 |
| Регрессия |
300 |
| Анализ взаимосвязей при помощи Microsoft Decision Trees |
301 |
| Параметры |
302 |
| COMPLEXITY_PENALTY |
302 |
| MINIMUM_SUPPORT |
303 |
| SCORE_METHOD |
303 |
| SPLIT_METHOD |
304 |
| MAXIMUM_INPUT_ATTRIBUTES |
304 |
| MAXIMUM_OUTPUT_ATTRIBUTES |
304 |
| FORCE_REGRESSOR |
305 |
| Хранимые процедуры |
305 |
| Резюме |
307 |
Глава 8. Алгоритм Microsoft Time Series |
309 |
| Обзор |
310 |
| Использование |
311 |
| Сценарии временных рядов |
313 |
| Выполнение простого прогноза |
313 |
| Прогнозирование взаимозависимых рядов |
314 |
| Разбираемся с вашими временными рядами |
314 |
| Гипотетические сценарии |
316 |
| Прогнозирование новых рядов |
316 |
| DMX |
316 |
| Создание модели |
317 |
| Обработка модели |
319 |
| Прогнозирование |
322 |
| Возвращение дополнительной статистики |
323 |
| Изменяем будущее — выполняем прогноз предположения What-If |
324 |
| Прогнозирование при малом количестве данных — применение моделей к новым данным |
325 |
| Детализация |
328 |
| Принципы временных рядов |
328 |
| Авторегрессия |
329 |
| Периодичность |
330 |
| Деревья авторегрессии |
330 |
| Прогнозирование |
332 |
| Параметры |
333 |
| MISSING_VALUE_SUBSTITUTION |
333 |
| PERIODICITY_HINT |
335 |
| AUTO_DETECT_PERIODICITY |
335 |
| MINIMUM и MAXIMUM_SERIES_VALUE |
335 |
| FORECAST_METHOD |
335 |
| PREDICTION_SMOOTHING |
336 |
| INSTABILITY_SENSITIVITY |
336 |
| HISTORIC_MODEL_COUNT и HISTORIC_MODEL_GAP |
336 |
| COMPLEXITY_PENALTY и MINIMUM_SUPPORT |
338 |
| Содержимое модели |
339 |
| Резюме |
339 |
Глава 9. Алгоритм Microsoft Clustering |
341 |
| Обзор |
342 |
| Использование кластеризации |
345 |
| Выполняем кластеризацию |
346 |
| Кластеризация как фаза анализа |
347 |
| Выявление аномалий при помощи кластеризации |
348 |
| DMX |
351 |
| Создание моделей |
351 |
| Детализация |
352 |
| Кластер |
352 |
| ClusterProbability |
353 |
| PredictHistogram |
353 |
| PredictCaseLikelihood |
354 |
| Содержимое модели |
355 |
| Разбираемся с вашими кластерными моделями |
356 |
| Представление о кластерах на высоком уровне |
357 |
| Выберите кластер и определите, чем он отличается от генеральной совокупности |
359 |
| Определяем, чем кластер отличается от соседних кластеров |
361 |
| Убедитесь, что ваши соображения правильны |
361 |
| Пометить кластер |
362 |
| Принципы кластеризации |
362 |
| Жесткая и мягкая кластеризация |
363 |
| Дискретная кластеризация |
365 |
| Масштабируемая кластеризация |
366 |
| Кластерное прогнозирование |
367 |
| Параметры |
368 |
| CLUSTERING_METHOD |
368 |
| CLUSTER_COUNT |
368 |
| MINIMUM_CLUSTER_CASES |
369 |
| MODELLING_CARDINALITY |
370 |
| STOPPING_TOLERANCE |
370 |
| SAMPLE_SIZE |
370 |
| CLUSTER_SEED |
371 |
| MAXIMUM_INPUT_ATTRIBUTES |
371 |
| MAXIMUM_STATES |
372 |
| Резюме |
372 |
Глава 10. Алгоритм Microsoft Sequence Clustering |
373 |
| Представляем алгоритм Microsoft Sequence Clustering |
374 |
| Использование алгоритма Microsoft Sequence Clustering |
375 |
| Создание модели кластеризации последовательностей |
375 |
| Запросы DMX |
376 |
| Выполнение кластерных прогнозов |
377 |
| Выполнение прогнозов последовательности |
378 |
| Извлечение вероятности для прогнозов последовательностей |
380 |
| Использование гистограммы прогнозов последовательности |
381 |
| Выявление необычных шаблонов последовательностей |
384 |
| Интерпретация модели |
385 |
| Диаграмма кластеров |
386 |
| Профили кластеров |
386 |
| Характеристики кластера |
388 |
| Дифференциация кластеров |
389 |
| Переходы состояний |
389 |
| Принципы алгоритма Microsoft Sequence Clustering |
390 |
| Разбираемся с цепью Маркова |
390 |
| Порядок цепи Маркова |
391 |
| Матрица переходов состояний |
392 |
| Кластеризация с использованием цепи Маркова |
393 |
| Разбиение кластеров |
395 |
| Содержимое модели |
396 |
| Параметры алгоритма |
397 |
| CLUSTER_COUNT |
397 |
| MINIMUM_SUPPORT |
397 |
| MAXIMUM_STATES |
397 |
| MAXIMUM_SEQUENCE_STATES |
397 |
| Резюме |
398 |
Глава 11. Алгоритм взаимосвязей Microsoft Association Rules |
399 |
| Введение в алгоритм Microsoft Association Rules |
400 |
| Использование алгоритма Microsoft Association Rules |
401 |
| Модели исследования данных |
402 |
| Простой движок рекомендаций |
403 |
| Более сложный анализ перекрестных продаж |
406 |
| DMX |
408 |
| Содержимое модели |
413 |
| Интерпретирование модели |
414 |
| Принципы алгоритма взаимосвязей |
417 |
| Основные термины и концепции алгоритма взаимосвязей |
417 |
| Набор элементов |
418 |
| Поддержка |
418 |
| Вероятность (достоверность) |
419 |
| Важность |
419 |
| Нахождение частых наборов элементов |
421 |
| Генерирование правил взаимосвязей |
424 |
| Прогнозирование |
425 |
| Параметры алгоритма |
426 |
| MINIMUM_SUPPORT |
426 |
| MAXIMUM_SUPPORT |
427 |
| MINIMUM_PROBABILITY |
427 |
| MINIMUM_IMPORTANCE |
427 |
| MAXIMUM_ITEMSET_SIZE |
427 |
| MINIMUM_ITEMSET_SIZE |
427 |
| MAXIMUM_ITEMSET_COUNT |
428 |
| OPTIMIZED_PREDICTION_COUNT |
428 |
| AUTODETECT_MINIMUM_SUPPORT |
428 |
| Резюме |
428 |
Глава 12. Алгоритмы Microsoft Neural Network и Logistic Regression |
431 |
| Один принцип, два алгоритма |
432 |
| Использование алгоритма Microsoft Neural Network |
433 |
| Модели классифицирования текстов |
433 |
| Полезные модели |
439 |
| Запросы DMX |
439 |
| Содержимое модели |
443 |
| Интерпретирование модели |
444 |
| Принципы алгоритма Microsoft Neural Network |
446 |
| Что такое нейронная сеть? |
447 |
| Комбинирование и активация |
449 |
| Обратное распространение, функция ошибки и сопряженные градиенты |
451 |
| Простой пример обработки нейронной сети |
453 |
| Нормализация и отображение |
455 |
| Топология сети |
456 |
| Обучение условия окончания |
458 |
| Нелинейно разделяемые классы |
458 |
| Параметры алгоритма |
459 |
| MAXIMUM_INPUT_ATTRIBUTES |
459 |
| MAXIMUM_OUTPUT_ATTRIBUTES |
460 |
| MAXIMUM_STATES |
460 |
| HOLDOUT_PERCENTAGE |
460 |
| HOLDOUT_SEED |
460 |
| HIDDEN_NODE_RATIO |
460 |
| SAMPLE_SIZE |
460 |
| Резюме |
461 |
Глава 13. Интеллектуальный анализ кубов OLAP |
463 |
| Представляем OLAP |
464 |
| Схема "звезда" и схема "снежинка" |
466 |
| Измерения и иерархии |
467 |
| Меры и группы мер |
468 |
| Обработка куба и его хранение |
469 |
| Использование упреждающего кэширования |
470 |
| Запросы к кубу |
471 |
| Выполнение вычислений |
472 |
| Просмотр куба |
473 |
| Унифицированная модель измерений |
475 |
| Связь между OLAP и интеллектуальным анализом данных |
478 |
| Интеллектуальный анализ агрегированных данных |
480 |
| Выявление шаблонов в OLAP |
480 |
| Интеллектуальный анализ OLAP и реляционный интеллектуальный анализ |
481 |
| Построение моделей анализа OLAP при помощи мастеров и редакторов |
483 |
| Использование мастера Data Mining Wizard |
483 |
| Создание модели сегментирования клиентов |
483 |
| Создание модели покупательской корзины |
487 |
| Создание модели прогнозирования продаж |
491 |
| Использование конструктора Data Mining Designer |
495 |
| Измерения интеллектуального анализа данных |
496 |
| Использование MDX в запросах DMX |
499 |
| Использование объектов управления аналитическими службами для модели анализа OLAP |
502 |
| Резюме |
507 |
Глава 14. Интеллектуальный анализ данных при помощи служб интеграции SQL Server Integration Services |
509 |
| Обзор SSIS |
510 |
| Пакеты SSIS |
512 |
| Поток задач |
513 |
| Стандартные задачи SSIS |
513 |
| Контейнеры |
514 |
| Отладка |
514 |
| Изучаем пример потока управления |
515 |
| Поток данных |
515 |
| Преобразования |
517 |
| Средства просмотра |
518 |
| Изучаем пример потока данных |
518 |
| Работаем с SSIS в интеллектуальном анализе данных |
519 |
| Задачи интеллектуального анализа данных |
520 |
| Задача запроса интеллектуального анализа данных |
520 |
| Задача обработки аналитических служб |
525 |
| Задача Execute DDL аналитических служб SSAS |
526 |
| Преобразования интеллектуального анализа данных |
527 |
| Адресат обучения модели интеллектуального анализа данных |
528 |
| Преобразование запроса интеллектуального анализа данных |
531 |
| Примеры потоков данных |
535 |
| Использование непрогнозирующих запросов интеллектуального анализа данных в качестве конвейера служб SSIS |
537 |
| Преобразования интеллектуального анализа текстов |
538 |
| Преобразование Term Extraction |
539 |
| Преобразование Term Lookup |
541 |
| Подробнее о процессе интеллектуального анализа текстов |
545 |
| Резюме |
548 |
Глава 15. Архитектура SQL Server Data Mining |
551 |
| Представляем архитектуру служб SSAS |
552 |
| XMLA |
553 |
| Интерфейсы прикладного программирования XMLA |
554 |
| Discover |
554 |
| Execute |
556 |
| XMLA и службы SSAS |
557 |
| Архитектура обработки |
559 |
| Прогнозы |
563 |
| Администрирование интеллектуального анализа данных |
565 |
| Конфигурирование сервера |
565 |
| Безопасность интеллектуального анализа данных |
567 |
| Требования безопасности для создания и обучения объектов интеллектуального анализа |
569 |
| Безопасность для различных сценариев развертывания |
570 |
| Локальная база данных и службы SSAS |
571 |
| Локальные службы SSAS и удаленная база данных |
572 |
| Службы SSAS и базы данных на одном сервере в интранете |
572 |
| Службы SSAS и базы данных при развертывании в Интернете |
573 |
| Настройка служб SSAS для использования с надстройками Data Mining Excel Add-Ins по HTTP |
575 |
| Резюме |
576 |
Глава 16. Программирование SQL Server Data Mining |
577 |
| Интерфейсы прикладного программирования интеллектуального анализа данных |
578 |
| ADO |
578 |
| ADO.NET |
580 |
| ADOMD.NET |
581 |
| Server ADOMD.NET |
581 |
| AMO |
582 |
| Использование интерфейсов прикладного программирования SSAS |
582 |
| Использование Microsoft.AnalysisServices для создания моделей интеллектуального анализа и управления ими |
583 |
| Основы АМО |
585 |
| Приложения и безопасность АМО |
585 |
| Создание объекта |
586 |
| Создание объектов доступа к данным |
588 |
| Создание структуры интеллектуального анализа |
591 |
| Создание моделей интеллектуального анализа |
593 |
| Обработка моделей интеллектуального анализа |
595 |
| Развертывание моделей интеллектуального анализа |
597 |
| Настройка разрешений интеллектуального анализа |
599 |
| Просмотр и запросы моделей интеллектуального анализа |
600 |
| Прогнозирование при помощи ADOMD.NET |
600 |
| Подробнее о табличных параметрах в ADOMD.NET |
606 |
| Просмотр моделей |
609 |
| Хранимые процедуры |
612 |
| Написание хранимых процедур |
613 |
| Хранимые процедуры и запуск Prepare |
615 |
| Пример хранимой процедуры |
615 |
| Выполнение запросов внутри хранимых процедур |
618 |
| Возвращение наборов данных из хранимых процедур |
619 |
| Развертывание и отладка сборок хранимых процедур |
623 |
| Резюме |
624 |
Глава 17. Расширяем интеллектуальный анализ данных SQL Server Data Mining |
627 |
| Подключаемые алгоритмы |
628 |
| Инфраструктура подключаемых алгоритмов |
629 |
| Время жизни экземпляра подключаемого алгоритма |
630 |
| Концептуальный обзор |
631 |
| Создание и обработка модели |
634 |
| Прогнозирование |
641 |
| Навигация по содержимому |
642 |
| Пользовательские функции |
643 |
| PMML |
645 |
| Управляемые и неуправляемые подключаемые модули |
646 |
| Инсталляция подключаемых модулей алгоритмов |
647 |
| Где искать информацию по подключаемым модулям алгоритмов |
647 |
| Средства просмотра интеллектуального анализа данных |
648 |
| Подлежащие реализации интерфейсы |
648 |
| Визуализация информации |
649 |
| Получение информации из служб SSAS |
650 |
| Регистрация средства просмотра |
651 |
| Что читать про средства просмотра подключаемых модулей |
652 |
| Резюме |
652 |
Глава 18. Реализация Web-приложения для перекрестных продаж |
653 |
| Описание исходных данных |
654 |
| Создание вашей модели |
654 |
| Определение задачи интеллектуального анализа |
655 |
| Использование деревьев решений для взаимосвязей |
655 |
| Использование алгоритма взаимосвязей |
658 |
| Сравнение двух моделей |
659 |
| Выполнение прогнозов |
661 |
| Выполнение прогнозирующих запросов в пакетном режиме |
661 |
| Использование одноэлементных прогнозирующих запросов |
663 |
| Интегрирование прогнозов в Web-приложения |
664 |
| Архитектура Web-приложения |
664 |
| Настройка разрешений |
665 |
| Изучаем образец кода Web-приложения для рекомендаций |
667 |
| Резюме |
670 |
| Заключение и дополнительные ресурсы |
671 |
| Краткое повторение основных характеристик интеллектуального анализа данных SQL Server 2008 Data Mining |
671 |
| Алгоритмы современного уровня |
672 |
| Простые в использовании инструменты |
674 |
| Простой, но мощный интерфейс прикладного программирования |
674 |
| Интеграция с родственными технологиями бизнес-аналитики |
675 |
| Исследование новых пределов и возможностей интеллектуального анализа данных |
675 |
| Дальнейшее изучение |
676 |
| Интеллектуальный анализ данных компании Microsoft |
676 |
| Общий интеллектуальный анализ данных |
677 |
| ПРИЛОЖЕНИЯ |
679 |
| Приложение 1. Наборы данных |
681 |
| Набор данных MovieClick |
681 |
| Набор данных Voting Records |
683 |
| Набор данных Wine Sales |
684 |
| Набор данных Foodmart |
685 |
| Набор данных College Plans |
685 |
| Приложение 2 |
686 |
| Поддерживаемые функции |
686 |
| Функции языка DMX |
686 |
| Функции VBA |
686 |
| Функции Excel |
686 |
| Хранимые процедуры ASSprocs |
694 |
| Предметный указатель |
697 |
| XX Оглавление XIX Оглавление |
