基于最大熵方法面向零售业的数据挖掘
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 第一章 绪论 | 第8-11页 |
| ·论文的研究背景 | 第8页 |
| ·本文的内容和意义 | 第8-9页 |
| ·本文的篇章结构 | 第9页 |
| ·本章小结 | 第9-11页 |
| 第二章 零售业数据挖掘现状及相关技术 | 第11-18页 |
| ·数据仓库 | 第11-12页 |
| ·在线事务处理(OLTP) | 第12页 |
| ·数据预处理方法 | 第12-13页 |
| ·在线分析处理(OLAP) | 第13-14页 |
| ·数据挖掘 | 第14-15页 |
| ·数据挖掘中的分类规则 | 第15-17页 |
| ·本章小结 | 第17-18页 |
| 第三章 最大熵原理在零售业的建模 | 第18-25页 |
| ·最大信息熵原理 | 第18-19页 |
| ·最大熵模型 | 第19-22页 |
| ·最大熵模型算法 | 第22-23页 |
| ·最大熵模型的优点 | 第23页 |
| ·本章小结 | 第23-25页 |
| 第四章 某商业集团数据仓库的需求和设计 | 第25-40页 |
| ·某商业集团数据收集现状分析 | 第25-26页 |
| ·某商业集团数据仓库的设计 | 第26-32页 |
| ·所采用的技术架构 | 第32-38页 |
| ·软硬件产品选择 | 第38-39页 |
| ·本章小结 | 第39-40页 |
| 第五章 某商业集团数据挖掘系统的实现 | 第40-59页 |
| ·某商业集团利用数据挖掘的目的 | 第40页 |
| ·某商业集团数据挖掘系统分析 | 第40-45页 |
| ·利用最大熵的客户分析系统框架 | 第45-46页 |
| ·客户特征提取 | 第46-55页 |
| ·模型的自适应学习 | 第55-58页 |
| ·本章小结 | 第58-59页 |
| 第六章 结论 | 第59-61页 |
| ·本文的总结 | 第59页 |
| ·本文的创新性 | 第59页 |
| ·本文的不足与展望 | 第59-61页 |
| 参考文献 | 第61-66页 |
| 致谢 | 第66-67页 |
