数据仓库工程师，数据分析员

课程收益：

本课程结合实例，讲解如何构建数据仓库、采集数据，并有效地根据业务需要挖掘数据价值，应用数据资源。首先讲解如何建立有效的数据仓库，从定义、结构、设计、数据访问方法及应用等方面进行详细的讲解。然后基于数据仓库，讲解如何进行充分的数据挖掘，包括：定义、数据预处理方法、数据挖掘发现知识的类型及数据挖掘常用算法等。本课程结合SQL Server或Oracle的数据挖掘工具应用和SPSS数据挖掘工具应用。最后，课程通过一个数据挖掘的应用实例的回顾和总结，让学员产生具体而深刻的理解。

培训目标：

• 了解数据挖掘

•了解数据仓库

•数据挖掘应用实例

•深入理解数据仓库的结构

•数据仓库的清理

•数据仓库系统的设计

•数据仓库数据的访问

•数据仓库的应用

•数据预处理的目的

•数据清理

•数据集成和变换

•数据归约

•广义知识

•关联知识

•分类知识

•预测型知识

•偏差型知识

•神经网络算法

•使用候选项集找频繁项集（Apriori）算法

•决策树算法

•聚类分析

•SQL Server 2000数据挖掘工具应用

•SPSS数据挖掘工具应用

•决策树算法

•实例开发

培训对象：数据仓库工程师，数据分析员

学员基础：具有数据库一般理论和应用基础，并对数据仓库和数据挖掘有初步了解。

授课方式： 定制课程 + 案例讲解 + 小组讨论，60%案例讲解，40%实践演练

培训内容： 3天

初识数据挖掘

• 数据挖掘的产生

• 数据挖掘的应用价值

• 数据挖掘的发展过程

• 数据挖掘的定义

初识数据仓库

• 数据仓库的产生

• 数据仓库的应用价值

• 数据仓库的发展过程

• 数据仓库的定义

• 数据仓库与数据挖掘的关系

进一步理解数据挖掘 • 数据挖掘的功能

• 数据挖掘常用技术

• 数据挖掘的过程

数据挖掘应用实例 • 应用领域

• 典型案例

数据挖掘的发展趋势 •数据挖掘研究方向

• 数据挖掘应用的热点

进一步深入理解数据仓库的定义 •数据仓库的数据是面向主题的

• 数据仓库的数据是集成的

• 数据仓库的数据是不可更新的

• 数据仓库的数据是随时间不断变化的

数据仓库的结构 •元数据

• 粒度的概念

• 分割问题

• 数据仓库中的数据组织形式

数据仓库的清理

数据仓库系统的设计

•数据仓库系统设计方法

• 数据仓库设计的三级数据模型

• 提高数据仓库的性能

• 数据仓库设计步骤

数据仓库数据的访问 •数据仓库数据的直接访问

• 数据仓库数据的间接访问

数据仓库的应用 •数据仓库的主要应用领域

• 数据仓库应用实例

数据预处理的目的 •原始数据中存在的问题

• 数据预处理的方法和功能

数据清理 • 处理空缺值

• 噪声数据的处理

数据集成和变换 • 数据集成

• 数据变换

数据归约 • 数据归约的方法

• 数据立方体聚集

• 维归约

• 数据压缩

• 数值归约

• 离散化与概念分层生成

广义知识 • 广义知识的概念

• 广义知识的发现方法

关联知识 • 关联知识的概念

• 关联知识的发现方法

• 关联规则应用实例

分类知识 • 分类知识的概念

•分类知识的发现方法

• 分类知识应用实例

预测型知识 •预测型知识的概念

•预测型知识的发现方法

• 预测型知识应用实例

偏差型知识 •偏差型知识的概念

•偏差型知识的发现方法

神经网络算法 •神经网络的概念

•神经网络的计算机模型

• 定义神经网络拓扑

• 基于神经网络的算法

使用候选项集找频繁项集（Apriori）算法 •关联规则的分类

•Apriori算法

• 从频繁项集产生关联规则

决策树算法 • 信息论的基本原理

• ID3算法

• 树剪枝

• 由决策树提取分类规则

聚类分析 • 聚类分析的概念

• 聚类分析中的数据类型

• 几种主要的聚类分析方法

• 聚类分析算法

SQL Server 2000数据挖掘工具应用 • 安装要求

• 安装过程

• Analysis Services功能介绍

• Analysis Services的优点

• 创建数据挖掘模型

• 查看和分析挖掘结果

• 聚类模型

SPSS数据挖掘工具应用 •安装SPSS Clementine

• SPSS Clementine 8.0工作环境介绍

• Clementine应用的结构

• Clementine的使用

• 挖掘模型的建立和执行

决策树算法 • 实例背景

• 数据挖掘中的分类算法

• 决策树的概念

实例开发

• 实例开发前的准备

• 实例的系统结构

• 决策树算法模块

• 算法的程序实现