审计知识工程PDF|Epub|txt|kindle电子书版本网盘下载

审计知识工程PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章　审计知识工程概述1

1.1 审计知识工程的发展历史1

1.1.1 审计的产生与发展1

1.1.2　计算机审计的形成与发展3

1.1.3 审计知识工程的产生背景6

1.2　审计知识工程的概念与特点7

1.2.1 审计知识工程的概念7

1.2.2　审计知识工程的特点9

1.3.1 研究对象的特点10

1.3　审计知识工程的研究对象与方法10

1.3.2　复杂性12

1.3.3 开放的复杂巨系统14

1.3.4　研究方法14

思考题16

第2章　审计知识工程的基础理论17

2.1　审计知识工程的学科体系17

2.2　审计理论19

2.2.1　审计理论框架19

2.2.2　审计基本理论20

2.2.3　审计规范理论24

2.2.4　审计应用理论26

2.3　计算机数据分析与挖掘技术29

2.3.1 数据挖掘的产生与发展29

2.3.2　数据挖掘的一般机理30

2.3.3　数据挖掘的任务33

2.3.4　数据挖掘的方法35

2.4　系统工程的方法与思想37

2.4.1 研究的目标与内容37

2.4.2　研究的方法38

2.4.3　系统分析框架40

2.4.4　系统结构分析41

思考题43

第3章　审计知识的发现与管理44

3.1 审计知识研究44

3.1.1 知识的概念44

3.1.2　审计知识的特征48

3.1.3 审计知识的表示形式50

3.2　审计知识发现与决策55

3.3 审计证据与知识融合61

3.4　定量与定性相结合的知识创新63

3.5　审计组织的知识管理65

思考题66

第4章　审计信息的组织结构67

4.1 数据库的发展历史67

4.2　数据库管理系统72

4.3　关系数据模型74

4.3.1 数据结构74

4.3.2　完整性约束规则75

4.4　关系数据库范式理论76

4.5 查询技术78

4.6　非关系型数据库84

思考题88

第5章　审计知识重构与多维分析技术89

5.1　数据仓库的概念89

5.2　数据仓库的体系92

5.3　数据仓库的数据模式97

5.4　数据仓库的构建101

5.4.1 数据仓库的设计方法101

5.4.2　数据仓库设计101

5.5 数据仓库与OLAP104

思考题105

第6章　关联规则挖掘技术106

6.1 基本概念106

6.2　关联规则的Apriori算法107

6.3 Apriori的改进算法110

6.3.1 基于散列的方法110

6.3.2　基于数据分割的方法111

6.3.3　基于采样的方法111

6.4.1　算法描述112

6.4　基于FP-tree的关联规则挖掘算法FP-growth112

6.4.2　示例说明113

6.5 多层关联规则挖掘118

6.6　多维关联规则挖掘119

6.7　基于约束的关联规则挖掘120

6.8　数量关联规则挖掘121

6.8.1 基本概念121

6.8.2　数量关联规则的分类121

6.8.3　数量关联规则挖掘的一般步骤122

6.8.4　数值属性离散化问题及其算法124

6.9.2 基于Apriori的最大频繁项目集挖掘算法127

6.9.1　最大频繁项目集127

6.9　最大频繁项目集挖掘127

6.9.3　基于FP-tree的最大频繁项目集挖掘算法129

6.10　关联规则更新挖掘算法131

6.10.1　数据集的增量性更新挖掘算法132

6.10.2　算法参数的相似性更新挖掘算法135

6.10.3　基于FP-tree的关联规则更新挖掘算法136

6.10.4　基于FP-tree的最大频繁项目集更新算法139

6.11　一种新的支持度计算方法142

6.11.1　基本概念143

6.11.2　候选频繁项目集的生成144

6.11.3　项目集支持数计算方法145

6.12　负关联规则挖掘算法146

6.12.1 基本概念146

6.12.2　基于Apriori的负关联规则挖掘算法148

6.12.3　基于频繁模式树的负关联规则挖掘算法150

6.13　加权关联规则挖掘算法151

6.13.1　加权关联规则模型152

6.13.2　加权关联规则的发现154

思考题156

7.1　聚类分析研究现状158

第7章　聚类分析技术158

7.2　系统模型与基本概念160

7.2.1 问题的形式化描述160

7.2.2　相似性测度160

7.2.3　聚类的定义方法162

7.3　聚类分析中的距离定义163

7.4　聚类分析类型164

7.5　代表性聚类算法165

7.5.1 k-means算法165

7.5.2　k-medoids算法166

7.5.4　BIRCH算法168

7.5.3 大数据库划分算法168

7.5.5　Chameleon算法170

7.5.6　基于密度的DBSCAN算法171

7.5.7　基于密度的OPTICS算法174

7.5.8　基于网格的STING算法175

7.6　聚类算法性能评价176

思考题177

第8章　审计离群知识发现技术178

8.1　离群点检测178

8.2.1 离群点的定义方法179

8.2　离群点检测算法概述179

8.2.2　基于统计学的定义与检测方法180

8.2.3　基于偏离的定义与检测方法181

8.2.4　基于距离的定义与检测方法181

8.2.5　基于聚类的定义与检测方法182

8.2.6　基于规则的定义与检测方法182

8.2.7　局部离群点的定义与检测方法183

8.3　聚类分析与离群点检测的过程183

8.3.1　数据准备184

8.4 算法介绍185

8.4.1 基于嵌套循环的离群点检测算法185

8.3.3　模式发现185

8.3.2　特征生成185

8.4.2　DBoda算法186

8.4.3　基于密度的离群点检测算法188

8.5 ？∞空间上的离群点检测190

8.5.1 问题的提出190

8.5.2 ？∞-距离意义下基于近似密度计算的离群点算法191

8.5.3　离群点检测算法193

思考题194

9.1 问题描述195

第9章　序列模式挖掘技术195

9.2　类Apriori方法196

9.3　GSP算法200

9.4　基于投影的序列模式挖掘算法PrefixSpan202

9.4.1　基本概念202

9.4.2　算法描述203

9.4.3 示例说明204

9.5 SPADE方法206

9.5.1 相关性质206

9.5.2　支持数计算207

9.5.3　基于前缀分类的格分解209

9.5.4　频繁序列模式搜索211

9.5.5 SPADE算法的设计和实现211

9.6　序列模式增量式更新算法214

9.6.1 基本概念214

9.6.2　算法描述216

9.6.3　示例说明217

思考题218

参考文献219