Microsoft SQL Server Modelowanie i eksploracja danych

• Odkryj najlepsze narzędzia do eksploracji danych
• Naucz się przygotowywać dane i poprawiać ich jakość
• Dowiedz się, jak prowadzić zaawansowane analizy danych

Eksploracja danych jest najmłodszą i najszybciej rozwijającą się dziedziną informatyki. Łączy zaawansowane algorytmy analizowania danych i znajdowania ukrytych w nich wzorców z klasycznymi technikami statystycznymi, rachunkiem prawdopodobieństwa i technologiami bazodanowymi.

Dziedzina ta zyskuje na znaczeniu wraz z lawinowo rosnącą ilością informacji cyfrowych, które każdego dnia na całym świecie są wytwarzane, zapisywane i przeszukiwane przez stale zwiększającą się grupę użytkowników technologii informatycznych. Trzydzieści lat temu świat zrewolucjonizowały komputery PC, a dziś w ogarnięciu tego chaosu pomóc mogą jedynie najskuteczniejsze narzędzia do modelowania i eksploracji danych.

"Microsoft SQL Server. Modelowanie i eksploracja danych" to książka, z której analitycy, informatycy i biznesmeni dowiedzą się, jak tworzyć właściwe modele, odpowiednio przygotowywać dane i prawidłowo je eksplorować, a także jak należycie analizować i oceniać otrzymane wyniki przy użyciu narzędzi oferowanych przez oprogramowanie Microsoft SQL Server. Publikacja przybliża zagadnienia związane z poszczególnymi etapami procesu modelowania i eksploracji, prezentując przy tym zastosowanie różnych metod i technik analizy do rozwiązywania praktycznych problemów naukowych i biznesowych.

• Podstawowe techniki i narzędzia wykorzystywane w eksploracji danych
• Instalacja i konfiguracja niezbędnego oprogramowania
• Analiza biznesowa projektu eksploracji danych
• Ocena, przygotowywanie i poprawianie jakości danych
• Przegląd technik eksploracji danych
• Wykorzystywanie serwera SQL w procesie eksploracji danych
• Składnia i zastosowanie języka DMX
• Łatwe w użyciu narzędzia pakietu Office i zaawansowane narzędzia eksploracji danych serwera SQL firmy Microsoft
• Zasada działania zaawansowanych algorytmów eksploracji danych
• Ocena i poprawianie modeli eksploracyjnych
• Programowanie predykcyjne

Naucz się wykorzystywać zaawansowane narzędzia do inteligentnej zamiany dużych zbiorów danych w przydatne informacje.

Rozdziały:

Wstęp (9)

• Proces eksploracji danych (10)
• Instalacja i konfiguracja narzędzi (12)
  • Serwer SQL (12)
  • Arkusz kalkulacyjny Excel (15)
  • Dodatek Data Mining do pakietu Office (15)
  • Przykłady (16)
• Konwencje i oznaczenia (20)

Część I: Modelowanie (23)
Rozdział 1. Eksploracja danych jako technika wspomagania decyzji (25)

• Modelowanie świata (25)
  • Obiekty, zdarzenia i reguły (26)
  • Dane (27)
  • Informacje (27)
  • Wiedza (29)
  • Decyzje (31)
• Eksploracja danych (32)
  • Hipotezy (32)
  • Kłopoty ze sformułowaniem problemu (33)

Rozdział 2. Analiza biznesowa (35)

• Cele modelowania i eksploracji danych (35)
  • Opisywanie danych czy wspieranie decyzji? (36)
  • Decydenci (38)
• Zakres projektu eksploracji danych (39)
  • Dane źródłowe (40)
  • Kontekst (40)
• Sprecyzowanie spodziewanych wyników (42)
  • Modele deskrypcyjne (43)
  • Modele predykcyjne (43)
• Prawdopodobieństwo sukcesu projektu eksploracji danych (44)
• Ocena ryzyka (45)

Rozdział 3. Ocena danych (49)

• Dane źródłowe (49)
  • Błędy pomiaru (50)
• Przypadki, czyli to, co badamy (51)
• Profilowanie danych za pomocą usługi SQL Server Integration Services (54)
• Atrybuty i ich stany (57)
  • Atrybuty jednowartościowe i wielowartościowe (57)
  • Atrybuty monotoniczne (59)
  • Rozkład wartości (59)
• Integralność danych (62)
  • Duplikaty (62)
  • Zakres wartości (63)
  • Zgodność ze wzorcem (63)
• Próbkowanie i reprezentatywność danych (64)
  • Próbkowanie danych (64)
  • Zbieżność do rzeczywistego rozkładu (65)
  • Odchylenie standardowe (67)
  • Zmienność atrybutów tekstowych (68)
• Brakujące dane (69)
  • Model brakujących danych (70)
• Zależności pomiędzy atrybutami (73)
  • Niezależne atrybuty (74)
  • Nadmiarowe atrybuty (75)
  • Anachronizmy (76)
• Mierzenie informacji (76)
  • Bity (77)
  • Zaskoczenie (77)
  • Kontekst (78)

Rozdział 4. Przygotowanie danych (79)

• Przestrzeń stanów (79)
• Atrybuty dyskretne (81)
  • Grupowanie (81)
  • Numerowanie stanów (84)
  • Atrybuty porządkowe (85)
  • Atrybuty okresowe (86)
• Atrybuty ciągłe (86)
  • Wartości skrajne (87)
  • Normalizacja zakresu (87)
  • Dyskretyzacja (90)
• Serie danych (92)
  • Trend (96)
  • Okresowość i sezonowość (96)
  • Szum (97)

Rozdział 5. Poprawa jakości danych (99)

• Uzupełnienie wartości (99)
• Wzbogacenie danych (103)
• Redukcja wymiarów (105)
  • Korelacje (106)
• Dane dla modeli deskrypcyjnych (108)
• Dane dla modeli predykcyjnych (109)
  • Zmiana proporcji (109)
• Dane na potrzeby analizy wariantowej (111)
  • Analiza wariantowa (111)
• Wydzielenie danych testowych (113)

Część II: Eksploracja (117)
Rozdział 6. Techniki eksploracji danych (119)

• Zastosowania (119)
• Dodatek Data Mining do pakietu Office (121)
  • Ocena i przygotowanie danych źródłowych (121)
• Techniki eksploracji danych (126)
  • Klasyfikacja (126)
  • Szacowanie (136)
  • Asocjacja (141)
  • Grupowanie (145)
  • Analiza sekwencyjna (151)
  • Analiza wariantowa (152)
  • Prognozowanie (156)

Rozdział 7. Serwer SQL jako platforma eksploracji danych (161)

• Excel jako klient SQL Server Analysis Services (162)
  • Narzędzia eksploracji zewnętrznych danych (162)
  • Praca z modelami eksploracji danych (184)
  • Formuły arkusza Excel (191)
• Projekty eksploracji danych (192)
  • Business Intelligence Development Studio (192)
  • Źródła danych (195)
  • Widoki danych źródłowych (196)
  • Struktury eksploracji danych (199)
  • Modele eksploracji danych (206)
  • Zapytania predykcyjne (210)
  • Zagnieżdżanie przypadków (213)
• Zarządzanie serwerem SSAS i modelami eksploracji danych poprzez SQL Server Management Studio (216)
• Usługi eksploracji danych serwera SQL (218)
  • Architektura (219)
  • Bezpieczeństwo (221)
  • Integracja z pozostałymi usługami Business Intelligence (223)

Rozdział 8. DMX (227)

• Terminologia (227)
  • Atrybut (227)
  • Wartość i stan (229)
  • Przypadek (229)
  • Klucze (230)
  • Struktury eksploracji danych (231)
  • Modele eksploracji danych (232)
• Składnia języka DMX (232)
  • Tworzenie struktur eksploracji danych (233)
  • Tworzenie modeli eksploracji danych (235)
  • Przetwarzanie struktur i modeli eksploracji danych (239)
  • Odczytywanie zawartości struktur i modeli eksploracji danych (243)
  • Zapytania predykcyjne (245)
  • Funkcje predykcyjne (251)

Rozdział 9. Naiwny klasyfikator Bayesa firmy Microsoft (253)

• Omówienie (253)
  • Ograniczenia (255)
  • Parametry (256)
• Zastosowania naiwnego klasyfikatora Bayesa (258)
  • Badanie zależności pomiędzy atrybutami (258)
  • Klasyfikacja dokumentów (260)

Rozdział 10. Drzewa decyzyjne firmy Microsoft i algorytm regresji liniowej firmy Microsoft (267)

• Omówienie (268)
  • Ograniczenia (272)
  • Parametry (273)
• Zastosowania drzew decyzyjnych (275)
  • Klasyfikacja klientów (275)
  • Szacowanie potencjalnych zysków (277)
  • Asocjacja klientów i wypożyczanych przez nich filmów (279)

Rozdział 11. Szeregi czasowe firmy Microsoft (281)

• Omówienie (281)
  • Ograniczenia (285)
  • Parametry (286)
• Zastosowania szeregów czasowych firmy Microsoft (288)
  • Prognozowanie sprzedaży (289)
  • Prognozowanie sprzedaży na podstawie przeplatanych serii danych (291)
  • Prognozowanie sprzedaży na podstawie danych odczytanych z kostki wielowymiarowej (292)
  • Prognozowanie sprzedaży na podstawie krótkich serii danych (293)
  • Analiza wariantowa (295)

Rozdział 12. Algorytm klastrowania firmy Microsoft (297)

• Omówienie (297)
  • Ograniczenia (302)
  • Parametry (303)
• Zastosowania algorytmu klastrowania (305)
  • Analiza skupień komórek (305)
  • Klasyfikacja komórek (309)
  • Przygotowanie danych do dalszej eksploracji (312)
  • Wykrywanie anomalii (314)

Rozdział 13. Algorytm klastrowania sekwencyjnego firmy Microsoft (319)

• Omówienie (320)
  • Ograniczenia (323)
  • Parametry (323)
• Zastosowania algorytmu klastrowania sekwencyjnego (324)
  • Analiza sekwencji odwiedzanych stron WWW (324)
  • Klasyfikacja klientów na podstawie kolejności kupowanych przez nich towarów (327)
  • Przewidywanie kolejnych zdarzeń (329)
  • Wykrywanie nietypowych sekwencji zdarzeń (332)

Rozdział 14. Algorytm odkrywania reguł asocjacyjnych firmy Microsoft (335)

• Omówienie (336)
  • Ograniczenia (340)
  • Parametry (341)
• Zastosowania reguł asocjacyjnych (341)
  • Badanie zależności pomiędzy wartościami atrybutów (342)
  • Analiza koszykowa (343)
  • Analiza typu cross-selling (347)

Rozdział 15. Sieci neuronowe firmy Microsoft i algorytm regresji logistycznej firmy Microsoft (351)

• Omówienie (352)
  • Ograniczenia (358)
  • Parametry (360)
• Zastosowania sieci neuronowych i regresji logistycznej (361)
  • Szacowanie potencjalnych zysków (362)
  • Klasyfikacja dokumentów (366)

Rozdział 16. Ocena i poprawa modeli (369)

• Powrót do średniej (369)
• Kryteria porównawcze (371)
  • Łatwość interpretacji (373)
  • Dokładność predykcji (374)
  • Wiarygodność predykcji (374)
  • Wydajność i skalowalność (375)
  • Przydatność (375)
• Metody oceniania modeli eksploracji danych (376)
  • Wykresy podniesienia i zysku (376)
  • Macierz klasyfikacji (384)
  • Ocena dokładności modeli algorytmu szeregów czasowych firmy Microsoft (386)
  • Walidacja krzyżowa (387)
  • Odchylenie wewnątrz- i międzyklastrowe (390)
• Problemy (391)
  • Niewłaściwie postawione zadania (391)
  • Niewłaściwe dane źródłowe (392)
  • Nieprzygotowane dane źródłowe (393)
  • Niewłaściwe lub źle sparametryzowane algorytmy eksploracji danych (394)

Rozdział 17. Programowanie predykcyjne (397)

• Narzędzia programistyczne (397)
• Wizualizatory modeli eksploracji danych (398)
• Raporty usługi SSRS (399)
• Inteligentne aplikacje (401)
  • Kontrola poprawności danych (401)
  • Uzupełnianie brakujących danych (404)
  • Adaptacyjny interfejs (406)