MS SQL Server 2012 (4)

Transkript

1 MS SQL Server 2012 (4) Data Mining, Analyse und multivariate Verfahren Marco Skulschus Jan Tittel Marcus Wiederstein Webseite zum Buch: sql_server/ms sql _server_ data minine Comelio Medien 2013

2 Inhaltsverzeichnis 1. Von Bl zu Data Mining Datenverarbeitung für Wissensgenerierung Anwender- und Kundenstruktur Informationsquellen Aufgaben der Datenverarbeitung Der Business Intelligence-Prozess Definition Bl und Beobachtung Traditionelle statistische Auswertungen Data Mining Berichte, Business Intelligence und Data Mining Berichte Data Warehousing und Würfel/Cubes Erweiterte Analysen mit Data Mining Data Mining und DM-Verfahren Statistische Grundlagen Skalen Lagemaße und Streuungsmaße Korrelation und Zusammenhang zwischen metrischen Variablen Kontingenz und Zusammenhang zwischen nominalen Variablen Vorgehen im Data Mining Data Mining-Kreislauf Daten-Vorbereitung und Daten-Vorverarbeitung Modell-Aufbau Modell-Bewertung und Modell-Auswahl Regressionsverfahren Lineare Regression Logistische Regression Zeitreihenanalyse 111 5

3 2.4. Klassifikation Naive Bayes Entscheidungsbäume Clustering Künstliche neuronale Netze Sequenzen Assoziationsanalyse Sequenz-Clustering Die Architektur der Microsoft-Produkte für Bl und Data Mining Anwendungen und Technologien im Überblick SQL Server Skript- und Abfragesprachen Office 2010/ Visual Studio 2010/ Objektbibliotheken und Steuerelemente Unterschiede in Versionen und Editionen von SQL Server Übersicht der Unterschiede Versionen von SQLServer Editionen von SQL Server Einrichten der Arbeitsumgebung Bestehende Arbeitsumgebung Erforderliche Office-Komponenten Visual Studio SQLServer 2012 Developer Edition Die Beispieldatenbank Adventure Works SQL Server Data Mining-Add-Ins für Office 2010/ Data Mining mit MS SQL Server Data Mining-Kreislauf Werkzeuge im Data Mining-Kreislauf Modell-Erstellung Modell-Darstellung und seine Bewertung Abfrage und Nutzung Lineare Regression Projekt und Datenquelle definieren Mining-Struktur und Mining-Modell Mining-Modelle für Mining-Struktur 201 6

4 Projekt verarbeiten und bereitstellen Modell-Visualisierung und Gleichung Güte, Modellqualität und -vergleich Abfrage und Vorhersage Parameter Logistische Regression Struktur und Modell Modell-Visualisierung und Ergebnisse Lift-Diagramm Weitere Gütemessungen Abfrage und Vorhersage Parameter Entscheidungsbäume Struktur und Modell Modell-Visualisierung und Ergebnisse Güte und Genauigkeit Abfrage und Vorhersage S. Parameter Assoziationsanalyse Struktur und Modell Modell-Visualisierung und Ergebnisse Abfrage und Vorhersage Parameter Naive Bayes Struktur und Modell Modell-Visualisierung und Ergebnisse Güte und Genauigkeit Abfrage und Vorhersage Parameter Clustering Struktur und Modell Modell-Visualisierung und Ergebnisse Güte und Genauigkeit Abfrage und Vorhersage Parameter Künstliche neuronale Netze Struktur und Modell Modell-Visualisierung und Ergebnisse 277 7

5 Güte und Genauigkeit Abfrage und Vorhersage Parameter Sequenz-Clustering Struktur und Modell Modell-Visualisierung und Ergebnisse Abfrage und Vorhersage Parameter Zeitreihen Struktur und Modell Modell-Visualisierung und Ergebnisse Abfrage und Vorhersage Parameter MS Office Data Mining Add-Ins Installation und Einrichtung Installation der Add Ins Verbindung aus Excel MS SQL Server-Konfiguration Tabellenanalysetools für MS Excel Wichtige Einflussfaktoren Kategorien entdecken Daten aus Beispiel füllen Prognose in der Zeit Ausnahmen markieren Szenario-Analyse Vorhersage-Rechner Warenkorb-Analyse Daten vorbereiten Verteilungen untersuchen Ausreißer bearbeiten Daten ändern Daten zufällig auswählen Data Mining-Verfahren aus MS Excel nutzen Entscheidungsbäume für Klassifizierung Entscheidungsbäume für numerische Vorhersage Clustering Assoziationsanalyse 367 8

6 Zeitreihenanalyse Allgemeine Data Mining-Strukturen Data Mining Strukturen verwalten Aufrufen und Ergebnisse abrufen Dokumentation Verwaltung von Strukturen und Modellen Abfragen, Klassifikation und Prognose Güte und Qualitätsmessung Genauigkeitsdiagramm Klassifikationsmatrix Gewinn-Diagramm Kreuzvalidierung Data Mining Add Ins für MS Visio Entscheidungsbäume Abhängigkeitsnetzwerk Clustering Integration und Reporting Services Integration Services Data Mining Modell-Training Data Mining-Abfrage Administration Reporting Services Bericht für ein Data Mining-Modell Optionen für Berichte Abfragen mit ASSL, XMLA und DMX Einführung in ASSL und XMLA Anwendungsgebiet von XMLA Methoden und Erweiterungen von XMLA XMLA-Abfragen im Management Studio erstellen XMLA mit SQLServer Profiler weiterverwenden DMX mit XMLA versenden Data Mining-Erweiterungen (DMX) Sprachelemente von DMX DMX-Abfragen in Management Studio erstellen Miningstrukturen und-modelle erstellen Vorhersageabfragenerstellen Weitere Abfragen für Miningmodelle 470 9

7 8. Programmierung mit AMO und ADOMD.NET Analysis Management Objects (AMO) Grundlegende Klassen in AMO Klassen für Data Mining in AMO Weitere Klassen in AMO Erstellen der Beispielanwendung Datenbankverbindung herstellen Mit Miningstrukturen und -modellen arbeiten Datenbanken sichern und wiederherstellen AMO verteilen ActiveX Data Objects MultiDimensional.NET (ADOMD.NET) Klassen für den Datenzugriff in ADOMD.NET Klassen für Data Mining in ADOMD.NET Erstellen der Beispielanwendung Datenbankverbindung herstellen Datenabfragen ausführen ADOMD.NET verteilen Data Mining Viewer Controls Erstellen der Beispielanwendung Data Mining Viewer Controls verteilen