掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
商務數據挖掘與應用案例分析 版權信息
- ISBN：9787121222115
- 條形碼：9787121222115 ; 978-7-121-22211-5
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
商務數據挖掘與應用案例分析 本書特色
本書由認識篇、技術篇和案例篇三部分組成，以商業領域中的問題為背景，重點在于講解數據挖掘技術的應用。認識篇從整體上介紹了數據挖掘的各種技術和數據挖掘建模過程，可使讀者了解數據挖掘技術在商業領域中的應用概貌；技術篇介紹了數據挖掘中的聚類分析、分類、回歸、關聯規則挖掘、離群點檢測等方法；案例篇展示了數據挖掘在6個不同行業中的應用案例，期望通過案例的分析使讀者能夠理解如何應用數據挖掘技術解決商業領域中的問題。
商務數據挖掘與應用案例分析 內容簡介
(1) 介紹數據挖掘的基本原理，注重原理、方法的應用背景分析，使讀者理解原理可能的應用場景；(2) 通過7個行業的應用案例展示數據挖掘技術的價值，架設理論與實際的橋梁。
商務數據挖掘與應用案例分析 目錄
上篇 認 識 篇
第1章 緒論 1
1.1 引例 1
1.2 數據挖掘產生的背景及概念 3
1.2.1 數據挖掘產生的背景 3
1.2.2 數據挖掘概念 4
1.3 數據挖掘任務及過程 5
1.3.1 數據挖掘任務 5
1.3.2 數據挖掘過程 5
1.4 數據挖掘常用軟件簡介 6
1.5 數據挖掘在商業領域中的應用 7
1.5.1 市場營銷 8
1.5.2 交叉銷售與交叉營銷 9
1.5.3 客戶關系管理 10
1.5.4 個性化推薦與個性化服務 11
1.5.5 風險分析與控制 12
1.5.6 欺詐行為檢測和異常模式的發現 13
1.5.7 供應鏈庫存管理中的需求預測 14
1.5.8 人力資源管理 15
1.6 數據挖掘技術的前景 16
1.7 本章小結 17
第2章 數據挖掘建模方法 19
2.1 概述 19
2.2 業務理解 22
2.3 數據理解 22
2.4 數據準備 23
2.5 建模 25
2.5.1 成功建立預測模型的注意要點 25
2.5.2 如何建立有效的預測模型 27
2.6 評估 29
2.7 部署 30
2.8 本章小結 30
中篇 技 術 篇
第3章 聚類分析 33
3.1 概述 33
3.2 相似性度量 34
3.2.1 數據及數據類型 34
3.2.2 屬性之間的相似性度量 35
3.2.3 對象之間的相似性度量 37
3.3 k-means 算法及其改進 39
3.3.1 k-means 算法 39
3.3.2 k-means聚類算法的改進 41
3.4 一趟聚類算法 46
3.4.1 算法描述 46
3.4.2 聚類閾值的選擇策略 47
3.5 層次聚類算法 48
3.5.1 概述 48
3.5.2 birch算法 49
3.5.3 兩步聚類算法 51
3.6 som算法 53
3.6.1 som算法中網絡的拓撲結構 53
3.6.2 som算法的聚類原理 54
3.7 聚類算法評價 56
3.7.1 監督度量 56
3.7.2 非監督度量 57
3.8 綜合例子 57
3.9 本章小結 59
第4章 分類 62
4.1 概述 63
4.2 決策樹分類方法 63
4.2.1 決策樹的基本概念 63
4.2.2 決策樹的構建 65
4.2.3 hunt算法 69
4.2.4 c4.5分類算法 70
4.2.5 cart算法 72
4.2.6 c4.5 與cart算法的區別 79
4.2.7 決策樹分類算法的優點 79
4.3 樸素貝葉斯分類方法 79
4.3.1 樸素貝葉斯算法的相關概念 79
4.3.2 零條件概率問題的處理 80
4.3.3 樸素貝葉斯算法的優缺點 81
4.4 *近鄰knn分類方法 82
4.4.1 *近鄰分類的基本概念 83
4.4.2 knn算法優缺點 83
4.4.3 knn的擴展 83
4.5 集成分類器 84
4.5.1 集成分類器的過程描述 84
4.5.2 構建集成分類器的方法 85
4.5.3 集成分類器方法優缺點 85
4.6 分類方法評價 85
4.7 綜合例子 87
4.8 本章小結 88
第5章 關聯規則分析 90
5.1 概述 90
5.2 關聯規則分析基礎 91
5.2.1 基本概念 91
5.2.2 基礎分析方法 92
5.3 apriori算法 94
5.3.1 apriori性質 94
5.3.2 apriori算法原理 94
5.3.3 apriori算法演示示例 95
5.3.4 apriori算法評價 96
5.4 carma算法 97
5.4.1 phase i階段 97
5.4.2 phase ii階段 100
5.5 產生關聯規則 101
5.5.1 一般關聯規則的產生 101
5.5.2 apriori算法關聯規則的產生 101
5.5.3 規則的評估標準 103
5.6 關聯規則擴展 104
5.6.1 多層次關聯規則 104
5.6.2 多維度關聯規則 105
5.6.3 定量關聯規則 105
5.6.4 基于約束的關聯規則 105
5.6.5 序列模式挖掘 106
5.7 綜合例子 106
5.7.1 概述 106
5.7.2 案例分析流程 107
5.8 本章小結 110
第6章 離群點檢測 113
6.1 概述 113
6.2 基于相對密度的離群點檢測方法 115
6.3 基于聚類的離群點檢測方法 119
6.3.1 基于對象的離群因子方法 120
6.3.2 基于簇的離群因子檢測方法 122
6.3.3 基于聚類的動態數據離群點檢測 124
6.4 離群點檢測方法的評估 124
6.5 本章小結 125
第7章 回歸分析 126
7.1 概述 126
7.2 線性回歸模型 127
7.2.1 多元線性回歸模型的表示 127
7.2.2 多元線性回歸模型的檢驗 128
7.3 非線性回歸 130
7.4 邏輯回歸 134
7.4.1 二元logistic回歸模型 134
7.4.2 logistic回歸模型的系數估計 134
7.4.3 logistic回歸模型系數的解釋 135
7.4.4 顯著性檢驗 136
7.4.5 回歸方程的擬合優度檢驗 137
7.5 本章小結 141
第8章 為挖掘準備數據 144
8.1 數據統計特性 145
8.1.1 頻率和眾數 145
8.1.2 百分位數 145
8.1.3 中心度量 145
8.1.4 散布程度度量 146
8.2 數據預處理 146
8.2.1 數據清理 147
8.2.2 數據集成 150
8.2.3 數據變換 150
8.2.4 數據歸約 154
8.3 本章小結 155
下篇 案 例 篇
第9章 clementine使用簡介 157
9.1 clementine概述 157
9.2 clementine數據流操作 158
9.2.1 生成數據流的基本過程 158
9.2.2 節點操作 159
9.2.3 數據流的其他管理 160
9.3 輸入、輸出節點介紹 162
9.3.1 數據源節點 162
9.3.2 類型節點 166
9.3.3 表節點 167
9.3.4 數據導出節點 168
9.4 數據預處理節點介紹 168
9.4.1 過濾節點 169
9.4.2 選擇節點 169
9.4.3 抽樣節點 170
9.4.4 平衡節點 170
9.4.5 排序節點 171
9.4.6 分區節點 171
9.4.7 導出節點 172
9.4.8 分箱節點 174
9.4.9 特征選擇節點 176
9.4.10 數據審核節點 177
9.4.11 直方圖節點 178
9.4.12 分布圖節點 178
9.4.13 web節點 179
9.5 聚類節點介紹 180
9.5.1 k-means節點 180
9.5.2 kohonen節點 182
9.5.3 twostep節點 184
9.5.4 anomaly節點 184
9.6 分類節點介紹 186
9.6.1 c5.0節點 186
9.6.2 c＆r tree節點 188
9.6.3 bayesnet節點 190
9.6.4 二元分類器節點 192
9.6.5 ensemble節點 194
9.6.6 分析節點 195
9.6.7 評估節點 196
9.7 關聯分析節點介紹 200
9.7.1 apriori節點 200
9.7.2 carma節點 202
9.7.3 sequence節點 203
9.8 回歸分析節點介紹 205
9.8.1 線性回歸節點 205
9.8.2 邏輯回歸節點 206
9.9 rfm分析節點介紹 207
9.9.1 rfm匯總節點 207
9.9.2 rfm分析節點 208
9.10 本章小結 210
第10章 數據挖掘在電信業中的應用 211
10.1 數據挖掘在電信業的應用概述 211
10.1.1 客戶細分 212
10.1.2 客戶流失預測分析 212
10.1.3 客戶社會關系挖掘 213
10.1.4 業務交叉銷售 214
10.1.5 欺詐客戶識別 214
10.2 案例10-1：客戶通話模式分析 215
10.2.1 商業理解 215
10.2.2 數據理解階段 215
10.2.3 數據準備階段 217
10.2.4 建模階段 218
10.3 案例10-2：客戶細分與流失分析 223
10.3.1 商業理解 223
10.3.2 數據理解階段 224
10.3.3 數據準備階段 225
10.3.4 建模階段 226
10.3.5 評估階段 230
10.4 案例10-3：移動業務關聯分析 232
10.4.1 商業理解 232
10.4.2 數據理解階段 232
10.4.3 數據準備階段 233
10.4.4 建模階段 235
10.4.5 模型評估 238
10.4.6 部署階段 239
10.5 本章小結 240
第11章 數據挖掘在銀行業中的應用 241
11.1 數據挖掘在銀行業中的應用概述 241
11.2 案例11-1：信用風險分析 243
11.2.1 商業理解 243
11.2.2 數據理解 243
11.2.3 數據準備階段 245
11.2.4 數據建模 246
11.2.5 模型評估 247
11.2.6 模型部署 248
11.3 本章小結 249
第12章 數據挖掘在目錄營銷中的應用 250
12.1 應用概述 250
12.1.1 rfm分析的基本原理 251
12.1.2 rfm模型的應用場景 254
12.2 案例12-1：charles讀書俱樂部目錄
銷售 254
12.2.1 商業理解 255
12.2.2 數據理解階段 255
12.2.3 數據準備階段 256
12.2.4 建模階段 257
12.2.5 評估階段 260
12.2.6 部署階段 260
12.3 案例12-2：旅游公司的目錄銷售 260
12.3.1 商業理解 260
12.3.2 數據理解階段 261
12.3.3 數據準備階段 261
12.3.4 建模階段 261
12.3.5 部署階段 263
12.4 本章小結 264
第13章 數據挖掘在零售業中的應用 265
13.1 數據挖掘在零售業中的應用概述 265
13.2 案例13-1：關聯分析在超市購物籃
分析中的應用 267
13.2.1 商業理解 267
13.2.2 數據理解 267
13.2.3 數據準備 268
13.2.4 建立模型 268
13.2.5 模型評估和應用 271
13.2.6 節假日和工作日的比較分析 272
13.3 案例13-2：超市工作時間與人員
配置分析 272
13.3.1 商業理解 272
13.3.2 數據理解與準備 273
13.3.3 建立模型 273
13.3.4 模型評估與部署 273
13.3.5 不同時段的商品銷售規律 274
13.3.6 時段與商品的銷售規律 274
13.4 本章小結 275
第14章 數據挖掘在上市公司財務風險
預警分析中的應用 276
14.1 數據挖掘在上市公司財務風險
預警分析中的應用概述 276
14.2 案例14-1：上市公司財務報表
舞弊識別 278
14.2.1 商業理解 278
14.2.2 數據理解與數據準備 278
14.2.3 模型建立與評估 279
14.3 案例14-2：上市公司財務困境預警 279
14.3.1 商業理解階段 280
14.3.2 數據理解階段 280
14.3.3 數據準備階段 281
14.3.4 建模階段 282
14.3.5 部署實施 283
14.4 本章小結 283
第15章 數據挖掘在電子商務中的應用 284
15.1 數據挖掘在電子商務中的應用概述 284
15.2 主要應用領域 285
15.2.1 網絡客戶關系管理 285
15.2.2 網站設計優化 286
15.2.3 推薦系統 287
15.3 案例15-1：基于關聯分析的淘寶網
推薦 289
15.3.1 商業理解階段 289
15.3.2 數據理解階段 289
15.3.3 數據準備階段 290
15.3.4 數據建模 291
15.3.5 模型評估 291
15.3.6 部署階段 292
15.4 案例15-2：協同過濾技術在電影
推薦上的簡單應用 292
15.4.1 協同過濾推薦簡述 292
15.4.2 商業理解階段 293
15.4.3 數據的理解、收集及準備 293
15.4.4 建模階段 294
15.4.5 模型評估和部署 295
15.5 本章小結 295
附錄a 數據挖掘常用資源列表 296
參考文獻 298
第1章 緒論 1
1.1 引例 1
1.2 數據挖掘產生的背景及概念 3
1.2.1 數據挖掘產生的背景 3
1.2.2 數據挖掘概念 4
1.3 數據挖掘任務及過程 5
1.3.1 數據挖掘任務 5
1.3.2 數據挖掘過程 5
1.4 數據挖掘常用軟件簡介 6
1.5 數據挖掘在商業領域中的應用 7
1.5.1 市場營銷 8
1.5.2 交叉銷售與交叉營銷 9
1.5.3 客戶關系管理 10
1.5.4 個性化推薦與個性化服務 11
1.5.5 風險分析與控制 12
1.5.6 欺詐行為檢測和異常模式的發現 13
1.5.7 供應鏈庫存管理中的需求預測 14
1.5.8 人力資源管理 15
1.6 數據挖掘技術的前景 16
1.7 本章小結 17
第2章 數據挖掘建模方法 19
2.1 概述 19
2.2 業務理解 22
2.3 數據理解 22
2.4 數據準備 23
2.5 建模 25
2.5.1 成功建立預測模型的注意要點 25
2.5.2 如何建立有效的預測模型 27
2.6 評估 29
2.7 部署 30
2.8 本章小結 30
中篇 技 術 篇
第3章 聚類分析 33
3.1 概述 33
3.2 相似性度量 34
3.2.1 數據及數據類型 34
3.2.2 屬性之間的相似性度量 35
3.2.3 對象之間的相似性度量 37
3.3 k-means 算法及其改進 39
3.3.1 k-means 算法 39
3.3.2 k-means聚類算法的改進 41
3.4 一趟聚類算法 46
3.4.1 算法描述 46
3.4.2 聚類閾值的選擇策略 47
3.5 層次聚類算法 48
3.5.1 概述 48
3.5.2 birch算法 49
3.5.3 兩步聚類算法 51
3.6 som算法 53
3.6.1 som算法中網絡的拓撲結構 53
3.6.2 som算法的聚類原理 54
3.7 聚類算法評價 56
3.7.1 監督度量 56
3.7.2 非監督度量 57
3.8 綜合例子 57
3.9 本章小結 59
第4章 分類 62
4.1 概述 63
4.2 決策樹分類方法 63
4.2.1 決策樹的基本概念 63
4.2.2 決策樹的構建 65
4.2.3 hunt算法 69
4.2.4 c4.5分類算法 70
4.2.5 cart算法 72
4.2.6 c4.5 與cart算法的區別 79
4.2.7 決策樹分類算法的優點 79
4.3 樸素貝葉斯分類方法 79
4.3.1 樸素貝葉斯算法的相關概念 79
4.3.2 零條件概率問題的處理 80
4.3.3 樸素貝葉斯算法的優缺點 81
4.4 *近鄰knn分類方法 82
4.4.1 *近鄰分類的基本概念 83
4.4.2 knn算法優缺點 83
4.4.3 knn的擴展 83
4.5 集成分類器 84
4.5.1 集成分類器的過程描述 84
4.5.2 構建集成分類器的方法 85
4.5.3 集成分類器方法優缺點 85
4.6 分類方法評價 85
4.7 綜合例子 87
4.8 本章小結 88
第5章 關聯規則分析 90
5.1 概述 90
5.2 關聯規則分析基礎 91
5.2.1 基本概念 91
5.2.2 基礎分析方法 92
5.3 apriori算法 94
5.3.1 apriori性質 94
5.3.2 apriori算法原理 94
5.3.3 apriori算法演示示例 95
5.3.4 apriori算法評價 96
5.4 carma算法 97
5.4.1 phase i階段 97
5.4.2 phase ii階段 100
5.5 產生關聯規則 101
5.5.1 一般關聯規則的產生 101
5.5.2 apriori算法關聯規則的產生 101
5.5.3 規則的評估標準 103
5.6 關聯規則擴展 104
5.6.1 多層次關聯規則 104
5.6.2 多維度關聯規則 105
5.6.3 定量關聯規則 105
5.6.4 基于約束的關聯規則 105
5.6.5 序列模式挖掘 106
5.7 綜合例子 106
5.7.1 概述 106
5.7.2 案例分析流程 107
5.8 本章小結 110
第6章 離群點檢測 113
6.1 概述 113
6.2 基于相對密度的離群點檢測方法 115
6.3 基于聚類的離群點檢測方法 119
6.3.1 基于對象的離群因子方法 120
6.3.2 基于簇的離群因子檢測方法 122
6.3.3 基于聚類的動態數據離群點檢測 124
6.4 離群點檢測方法的評估 124
6.5 本章小結 125
第7章 回歸分析 126
7.1 概述 126
7.2 線性回歸模型 127
7.2.1 多元線性回歸模型的表示 127
7.2.2 多元線性回歸模型的檢驗 128
7.3 非線性回歸 130
7.4 邏輯回歸 134
7.4.1 二元logistic回歸模型 134
7.4.2 logistic回歸模型的系數估計 134
7.4.3 logistic回歸模型系數的解釋 135
7.4.4 顯著性檢驗 136
7.4.5 回歸方程的擬合優度檢驗 137
7.5 本章小結 141
第8章 為挖掘準備數據 144
8.1 數據統計特性 145
8.1.1 頻率和眾數 145
8.1.2 百分位數 145
8.1.3 中心度量 145
8.1.4 散布程度度量 146
8.2 數據預處理 146
8.2.1 數據清理 147
8.2.2 數據集成 150
8.2.3 數據變換 150
8.2.4 數據歸約 154
8.3 本章小結 155
下篇 案 例 篇
第9章 clementine使用簡介 157
9.1 clementine概述 157
9.2 clementine數據流操作 158
9.2.1 生成數據流的基本過程 158
9.2.2 節點操作 159
9.2.3 數據流的其他管理 160
9.3 輸入、輸出節點介紹 162
9.3.1 數據源節點 162
9.3.2 類型節點 166
9.3.3 表節點 167
9.3.4 數據導出節點 168
9.4 數據預處理節點介紹 168
9.4.1 過濾節點 169
9.4.2 選擇節點 169
9.4.3 抽樣節點 170
9.4.4 平衡節點 170
9.4.5 排序節點 171
9.4.6 分區節點 171
9.4.7 導出節點 172
9.4.8 分箱節點 174
9.4.9 特征選擇節點 176
9.4.10 數據審核節點 177
9.4.11 直方圖節點 178
9.4.12 分布圖節點 178
9.4.13 web節點 179
9.5 聚類節點介紹 180
9.5.1 k-means節點 180
9.5.2 kohonen節點 182
9.5.3 twostep節點 184
9.5.4 anomaly節點 184
9.6 分類節點介紹 186
9.6.1 c5.0節點 186
9.6.2 c＆r tree節點 188
9.6.3 bayesnet節點 190
9.6.4 二元分類器節點 192
9.6.5 ensemble節點 194
9.6.6 分析節點 195
9.6.7 評估節點 196
9.7 關聯分析節點介紹 200
9.7.1 apriori節點 200
9.7.2 carma節點 202
9.7.3 sequence節點 203
9.8 回歸分析節點介紹 205
9.8.1 線性回歸節點 205
9.8.2 邏輯回歸節點 206
9.9 rfm分析節點介紹 207
9.9.1 rfm匯總節點 207
9.9.2 rfm分析節點 208
9.10 本章小結 210
第10章 數據挖掘在電信業中的應用 211
10.1 數據挖掘在電信業的應用概述 211
10.1.1 客戶細分 212
10.1.2 客戶流失預測分析 212
10.1.3 客戶社會關系挖掘 213
10.1.4 業務交叉銷售 214
10.1.5 欺詐客戶識別 214
10.2 案例10-1：客戶通話模式分析 215
10.2.1 商業理解 215
10.2.2 數據理解階段 215
10.2.3 數據準備階段 217
10.2.4 建模階段 218
10.3 案例10-2：客戶細分與流失分析 223
10.3.1 商業理解 223
10.3.2 數據理解階段 224
10.3.3 數據準備階段 225
10.3.4 建模階段 226
10.3.5 評估階段 230
10.4 案例10-3：移動業務關聯分析 232
10.4.1 商業理解 232
10.4.2 數據理解階段 232
10.4.3 數據準備階段 233
10.4.4 建模階段 235
10.4.5 模型評估 238
10.4.6 部署階段 239
10.5 本章小結 240
第11章 數據挖掘在銀行業中的應用 241
11.1 數據挖掘在銀行業中的應用概述 241
11.2 案例11-1：信用風險分析 243
11.2.1 商業理解 243
11.2.2 數據理解 243
11.2.3 數據準備階段 245
11.2.4 數據建模 246
11.2.5 模型評估 247
11.2.6 模型部署 248
11.3 本章小結 249
第12章 數據挖掘在目錄營銷中的應用 250
12.1 應用概述 250
12.1.1 rfm分析的基本原理 251
12.1.2 rfm模型的應用場景 254
12.2 案例12-1：charles讀書俱樂部目錄
銷售 254
12.2.1 商業理解 255
12.2.2 數據理解階段 255
12.2.3 數據準備階段 256
12.2.4 建模階段 257
12.2.5 評估階段 260
12.2.6 部署階段 260
12.3 案例12-2：旅游公司的目錄銷售 260
12.3.1 商業理解 260
12.3.2 數據理解階段 261
12.3.3 數據準備階段 261
12.3.4 建模階段 261
12.3.5 部署階段 263
12.4 本章小結 264
第13章 數據挖掘在零售業中的應用 265
13.1 數據挖掘在零售業中的應用概述 265
13.2 案例13-1：關聯分析在超市購物籃
分析中的應用 267
13.2.1 商業理解 267
13.2.2 數據理解 267
13.2.3 數據準備 268
13.2.4 建立模型 268
13.2.5 模型評估和應用 271
13.2.6 節假日和工作日的比較分析 272
13.3 案例13-2：超市工作時間與人員
配置分析 272
13.3.1 商業理解 272
13.3.2 數據理解與準備 273
13.3.3 建立模型 273
13.3.4 模型評估與部署 273
13.3.5 不同時段的商品銷售規律 274
13.3.6 時段與商品的銷售規律 274
13.4 本章小結 275
第14章 數據挖掘在上市公司財務風險
預警分析中的應用 276
14.1 數據挖掘在上市公司財務風險
預警分析中的應用概述 276
14.2 案例14-1：上市公司財務報表
舞弊識別 278
14.2.1 商業理解 278
14.2.2 數據理解與數據準備 278
14.2.3 模型建立與評估 279
14.3 案例14-2：上市公司財務困境預警 279
14.3.1 商業理解階段 280
14.3.2 數據理解階段 280
14.3.3 數據準備階段 281
14.3.4 建模階段 282
14.3.5 部署實施 283
14.4 本章小結 283
第15章 數據挖掘在電子商務中的應用 284
15.1 數據挖掘在電子商務中的應用概述 284
15.2 主要應用領域 285
15.2.1 網絡客戶關系管理 285
15.2.2 網站設計優化 286
15.2.3 推薦系統 287
15.3 案例15-1：基于關聯分析的淘寶網
推薦 289
15.3.1 商業理解階段 289
15.3.2 數據理解階段 289
15.3.3 數據準備階段 290
15.3.4 數據建模 291
15.3.5 模型評估 291
15.3.6 部署階段 292
15.4 案例15-2：協同過濾技術在電影
推薦上的簡單應用 292
15.4.1 協同過濾推薦簡述 292
15.4.2 商業理解階段 293
15.4.3 數據的理解、收集及準備 293
15.4.4 建模階段 294
15.4.5 模型評估和部署 295
15.5 本章小結 295
附錄a 數據挖掘常用資源列表 296
參考文獻 298
展開全部
商務數據挖掘與應用案例分析 作者簡介
1984.8—1998.3在邵陽師專數學系任教； 1998.4—2005.6在衡陽師范學院計算機系任教，歷任計算機系常務副主任、主任； 2005.7—至今，在廣東外語外貿大學信息學院任教
書友推薦
- >
巴金－再思錄
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
唐代進士錄
- >
中國歷史的瞬間
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
李白與唐代文化
- >
羅曼·羅蘭讀書隨筆-精裝
本類暢銷
