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
數據挖掘:你必須知道的32個經典案例 版權信息
- ISBN：9787121275791
- 條形碼：9787121275791 ; 978-7-121-27579-1
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
數據挖掘:你必須知道的32個經典案例 內容簡介
本書是為廣大數據分析師量身定制的入門讀物，它旨在幫助讀者站在大數據時代的制高點。數據分析處于統計學、計算機信息科學、運籌學、數據庫等多個領域的交叉地帶，大數據時代的到來大大豐富了數據分析的內涵，數據分析師的職責與以往相比發生了巨大的改變。本書全面介紹了經典數據分析、模式識別、機器學習、深度學習、數據挖掘、商務智能等多個領域的數據分析算法，將大數據時代的數據分析熱點技術一網打盡。本書為每個數據分析算法都搭配了一個經典案例，并按照由易到難的原則構建知識框架，充分照顧了不同水平讀者的閱讀習慣。通過閱讀本書，讀者將對大數據時代下的數據分析有一個全面的認識。無論是入門級的數據分析員還是有一定基礎的數據分析師，都能通過本書完善、加深對數據分析的認識。
數據挖掘:你必須知道的32個經典案例 目錄
第1章 經典的探索性數據分析案例 1
1．1 探索性數據分析綜述 2
1．2 數據巧收集――紅牛的大數據營銷案例 4
1．2．1 狀況百出的紅牛企業 4
1．2．2 紅牛企業巧妙收集消費者數據 6
1．2．3 數據收集小結 8
1．3 數據可視化――數據新聞促使英軍撤軍 9
1．3．1 維基解密帶來的海量數據 9
1．3．2 百花齊放的數據新聞 11
1．3．3 數據可視化小結 15
1．4 異常值分析――Facebook消滅釣魚鏈接 16
1．4．1 Facebook和廣告商之間的拉鋸戰 17
1．4．2 異常值分析指導排名算法工作 18
1．4．3 異常值分析小結 22
1．5 對比分析――TrueCar指導購物者尋找*合算的車價 24
1．5．1 火中取栗的TrueCar網站 24
1．5．2 數據對比贏得消費者信賴 26
1．5．3 對比分析小結 29
第2章 經典的相關分析與回歸分析案例 31
2．1 相關回歸綜述 32
2．2 皮爾遜相關值――紐約市政府利用相關分析監控違法建筑 34
2．2．1 簡約而不簡單的消防檢測系統 34
2．2．2 使用相關分析洞察60個變量的關系 36
2．2．3 相關分析小結 39
2．3 時間序列分析――人壽保險的可提費用預測 41
2．3．1 人壽保險公司和可提費用 41
2．3．2 使用四種時間序列回歸預測模型解決問題 43
2．3．3 時間序列分析小結 46
2．4 線性回歸分析――梅西百貨公司的十二項大數據策略 48
2．4．1 從“一億豪賭”說起的零售商困境 48
2．4．2 SAS公司幫助梅西百貨構建模型 50
2．4．3 線性回歸分析小結 53
2．5 Logistic回歸分析――大面積流感爆發的預測分析 56
2．5．1 究竟誰才是流感預測算法之王 56
2．5．2 向Logistic算法中引入更多變量 58
2．5．3 Logistic回歸分析小結 61
第3章 經典的降維數據分析案例 63
3．1 降維分析算法綜述 64
3．2 粗糙集算法――協助希臘工業發展銀行制定信貸政策 66
3．2．1 銀行信貸政策的制定原則 66
3．2．2 粗糙集算法原理和應用 67
3．2．3 粗糙集算法小結 71
3．3 因子分析――基于李克特量表的應聘評價法 73
3．3．1 源于智力測試的因子分析 73
3．3．2 使用因子分析解構問卷 75
3．3．3 因子分析小結 78
3．4 *優尺度分析――直觀評估消費者傾向的分析方法 80
3．4．1 市場調查問題催生的*優尺度分析 80
3．4．2 六種經典的*優尺度分析解讀方法 82
3．4．3 *優尺度分析小結 86
3．5 PCA降維算法――智能人臉識別的應用與拓展 88
3．5．1 刷臉的時代來了 88
3．5．2 使用PCA算法完成降維工作 90
3．5．3 PCA算法小結 93
第4章 經典的模式識別案例 95
4．1 模式識別綜述 96
4．2 圖像分析――谷歌的超前自動駕駛技術 98
4．2．1 以安全的名義呼吁自動駕駛技術 98
4．2．2 快速成熟的無人駕駛技術 100
4．2．3 圖像分析小結 103
4．3 遺傳算法――經典的人力資源優化問題 105
4．3．1 使用有限資源實現利益*大化 105
4．3．2 遺傳算法的計算過程 107
4．3．3 遺傳算法小結 110
4．4 決策樹分析――“沸騰時刻”準確判斷用戶健康水平 111
4．4．1 打造我國*大健身平臺 111
4．4．2 信息增益和決策樹 113
4．4．3 決策樹小結 116
4．5 K均值聚類分析――HSE24通過為客戶分類降低退貨率 118
4．5．1 在電子商務市場快速擴張的HSE24 119
4．5．2 使用K均值聚類為客戶分類 120
4．5．3 K均值聚類小結 123
第5章 經典的機器學習案例 127
5．1 機器學習綜述 128
5．2 語義搜索――沃爾瑪搜索引擎提升15%銷售額 130
5．2．1 注重用戶體驗的沃爾瑪公司 130
5．2．2 語義搜索引擎的底層技術和原理 132
5．2．3 語義搜索技術小結 135
5．3 順序分析――搜狗輸入法的智能糾錯系統 137
5．3．1 搜狗輸入法的王牌詞庫和智能算法 137
5．3．2 頻繁樹模式和順序分析算法 140
5．3．3 順序分析小結 143
5．4 文本分析――經典的垃圾郵件過濾系統 144
5．4．1 大數據時代需要文本分析工作 145
5．4．2 垃圾郵件過濾中的分詞技術和詞集模型 146
5．4．3 文本分析小結 149
5．5 協同過濾――構建個性化推薦系統的經典算法 151
5．5．1 協同過濾算法為什么這么流行 151
5．5．2 基于用戶和基于產品的協同過濾 153
5．5．3 協同過濾算法小結 155
第6章 經典的深度學習案例 159
6．1 深度學習綜述 160
6．2 支持向量機――喬布斯利用大數據對抗癌癥 162
6．2．1 喬布斯和胰腺癌的八年抗戰 162
6．2．2 醫學統計學和支持向量機 164
6．2．3 支持向量機小結 168
6．3 感知器神經網絡――*佳的房產價格預測算法 169
6．3．1 如何在我國預測房價 170
6．3．2 多層感知器和誤差曲面 171
6．3．3 感知器神經網絡小結 175
6．4 自組織神經網絡――如何又快又好地解決旅行商問題 177
6．4．1 *優路徑問題的典型模式和解決方法 177
6．4．2 自組織神經網絡的拓撲結構和權值調整 178
6．4．3 自組織神經網絡小結 182
6．5 RBM算法――為新聞報道智能分類 183
6．5．1 新聞報道智能分類的難與易 183
6．5．2 RBM算法的學習目標和學習方法 185
6．5．3 RBM算法小結 188
第7章 經典的數據挖掘案例 191
7．1 數據挖掘綜述 192
7．2 判別分析――美國運通構建客戶流失預測模型 194
7．2．1 美國運通公司的舊日輝煌 194
7．2．2 判別分析的假設條件和判別函數 196
7．2．3 判別分析小結 200
7．3 購物籃分析――找出零售業的*佳商品組合 201
7．3．1 名動天下的“啤酒和尿布”案例 202
7．3．2 購物籃分析的頻繁模式 203
7．3．3 購物籃分析小結 207
7．4 馬爾可夫鏈――準確預測客運市場占有率 208
7．4．1 復雜的客運市場系統 209
7．4．2 概率轉移矩陣的求解方法 210
7．4．3 馬爾可夫鏈小結 213
7．5 AdaBoost元算法――有效偵測欺詐交易的復合算法 215
7．5．1 弱分類器和強分類器之爭 215
7．5．2 AdaBoost元算法的分類器構建方法 217
7．5．3 AdaBoost元算法小結 220
第8章 經典的商業智能分析案例 223
8．1 商業智能分析綜述 224
8．2 KXEN分析軟件――構建歐洲博彩業下注預測平臺 226
8．2．1 現代博彩業背后的黑手 226
8．2．2 集體智慧和莊家賠率的聯系 228
8．2．3 KXEN軟件小結 231
8．3 數據廢氣再利用――物流公司數據成功用于評估客戶信用 233
8．3．1 數據廢氣和黑暗數據的異同 234
8．3．2 論如何充分利用物流公司數據 235
8．3．3 數據廢氣再利用小結 239
8．4 必應預測――使用往期信息預測自然災害 240
8．4．1 預測自然災害的必要性 241
8．4．2 微軟大數據預測的優與劣 242
8．4．3 必應預測小結 245
8．5 點球成金――助力NBA大數據分析的多種神秘軟件 246
8．5．1 NBA的有效球員數據 247
8．5．2 有關點球成金的靠譜方法 249
8．5．3 點球成金小結 251
1．1 探索性數據分析綜述 2
1．2 數據巧收集――紅牛的大數據營銷案例 4
1．2．1 狀況百出的紅牛企業 4
1．2．2 紅牛企業巧妙收集消費者數據 6
1．2．3 數據收集小結 8
1．3 數據可視化――數據新聞促使英軍撤軍 9
1．3．1 維基解密帶來的海量數據 9
1．3．2 百花齊放的數據新聞 11
1．3．3 數據可視化小結 15
1．4 異常值分析――Facebook消滅釣魚鏈接 16
1．4．1 Facebook和廣告商之間的拉鋸戰 17
1．4．2 異常值分析指導排名算法工作 18
1．4．3 異常值分析小結 22
1．5 對比分析――TrueCar指導購物者尋找*合算的車價 24
1．5．1 火中取栗的TrueCar網站 24
1．5．2 數據對比贏得消費者信賴 26
1．5．3 對比分析小結 29
第2章 經典的相關分析與回歸分析案例 31
2．1 相關回歸綜述 32
2．2 皮爾遜相關值――紐約市政府利用相關分析監控違法建筑 34
2．2．1 簡約而不簡單的消防檢測系統 34
2．2．2 使用相關分析洞察60個變量的關系 36
2．2．3 相關分析小結 39
2．3 時間序列分析――人壽保險的可提費用預測 41
2．3．1 人壽保險公司和可提費用 41
2．3．2 使用四種時間序列回歸預測模型解決問題 43
2．3．3 時間序列分析小結 46
2．4 線性回歸分析――梅西百貨公司的十二項大數據策略 48
2．4．1 從“一億豪賭”說起的零售商困境 48
2．4．2 SAS公司幫助梅西百貨構建模型 50
2．4．3 線性回歸分析小結 53
2．5 Logistic回歸分析――大面積流感爆發的預測分析 56
2．5．1 究竟誰才是流感預測算法之王 56
2．5．2 向Logistic算法中引入更多變量 58
2．5．3 Logistic回歸分析小結 61
第3章 經典的降維數據分析案例 63
3．1 降維分析算法綜述 64
3．2 粗糙集算法――協助希臘工業發展銀行制定信貸政策 66
3．2．1 銀行信貸政策的制定原則 66
3．2．2 粗糙集算法原理和應用 67
3．2．3 粗糙集算法小結 71
3．3 因子分析――基于李克特量表的應聘評價法 73
3．3．1 源于智力測試的因子分析 73
3．3．2 使用因子分析解構問卷 75
3．3．3 因子分析小結 78
3．4 *優尺度分析――直觀評估消費者傾向的分析方法 80
3．4．1 市場調查問題催生的*優尺度分析 80
3．4．2 六種經典的*優尺度分析解讀方法 82
3．4．3 *優尺度分析小結 86
3．5 PCA降維算法――智能人臉識別的應用與拓展 88
3．5．1 刷臉的時代來了 88
3．5．2 使用PCA算法完成降維工作 90
3．5．3 PCA算法小結 93
第4章 經典的模式識別案例 95
4．1 模式識別綜述 96
4．2 圖像分析――谷歌的超前自動駕駛技術 98
4．2．1 以安全的名義呼吁自動駕駛技術 98
4．2．2 快速成熟的無人駕駛技術 100
4．2．3 圖像分析小結 103
4．3 遺傳算法――經典的人力資源優化問題 105
4．3．1 使用有限資源實現利益*大化 105
4．3．2 遺傳算法的計算過程 107
4．3．3 遺傳算法小結 110
4．4 決策樹分析――“沸騰時刻”準確判斷用戶健康水平 111
4．4．1 打造我國*大健身平臺 111
4．4．2 信息增益和決策樹 113
4．4．3 決策樹小結 116
4．5 K均值聚類分析――HSE24通過為客戶分類降低退貨率 118
4．5．1 在電子商務市場快速擴張的HSE24 119
4．5．2 使用K均值聚類為客戶分類 120
4．5．3 K均值聚類小結 123
第5章 經典的機器學習案例 127
5．1 機器學習綜述 128
5．2 語義搜索――沃爾瑪搜索引擎提升15%銷售額 130
5．2．1 注重用戶體驗的沃爾瑪公司 130
5．2．2 語義搜索引擎的底層技術和原理 132
5．2．3 語義搜索技術小結 135
5．3 順序分析――搜狗輸入法的智能糾錯系統 137
5．3．1 搜狗輸入法的王牌詞庫和智能算法 137
5．3．2 頻繁樹模式和順序分析算法 140
5．3．3 順序分析小結 143
5．4 文本分析――經典的垃圾郵件過濾系統 144
5．4．1 大數據時代需要文本分析工作 145
5．4．2 垃圾郵件過濾中的分詞技術和詞集模型 146
5．4．3 文本分析小結 149
5．5 協同過濾――構建個性化推薦系統的經典算法 151
5．5．1 協同過濾算法為什么這么流行 151
5．5．2 基于用戶和基于產品的協同過濾 153
5．5．3 協同過濾算法小結 155
第6章 經典的深度學習案例 159
6．1 深度學習綜述 160
6．2 支持向量機――喬布斯利用大數據對抗癌癥 162
6．2．1 喬布斯和胰腺癌的八年抗戰 162
6．2．2 醫學統計學和支持向量機 164
6．2．3 支持向量機小結 168
6．3 感知器神經網絡――*佳的房產價格預測算法 169
6．3．1 如何在我國預測房價 170
6．3．2 多層感知器和誤差曲面 171
6．3．3 感知器神經網絡小結 175
6．4 自組織神經網絡――如何又快又好地解決旅行商問題 177
6．4．1 *優路徑問題的典型模式和解決方法 177
6．4．2 自組織神經網絡的拓撲結構和權值調整 178
6．4．3 自組織神經網絡小結 182
6．5 RBM算法――為新聞報道智能分類 183
6．5．1 新聞報道智能分類的難與易 183
6．5．2 RBM算法的學習目標和學習方法 185
6．5．3 RBM算法小結 188
第7章 經典的數據挖掘案例 191
7．1 數據挖掘綜述 192
7．2 判別分析――美國運通構建客戶流失預測模型 194
7．2．1 美國運通公司的舊日輝煌 194
7．2．2 判別分析的假設條件和判別函數 196
7．2．3 判別分析小結 200
7．3 購物籃分析――找出零售業的*佳商品組合 201
7．3．1 名動天下的“啤酒和尿布”案例 202
7．3．2 購物籃分析的頻繁模式 203
7．3．3 購物籃分析小結 207
7．4 馬爾可夫鏈――準確預測客運市場占有率 208
7．4．1 復雜的客運市場系統 209
7．4．2 概率轉移矩陣的求解方法 210
7．4．3 馬爾可夫鏈小結 213
7．5 AdaBoost元算法――有效偵測欺詐交易的復合算法 215
7．5．1 弱分類器和強分類器之爭 215
7．5．2 AdaBoost元算法的分類器構建方法 217
7．5．3 AdaBoost元算法小結 220
第8章 經典的商業智能分析案例 223
8．1 商業智能分析綜述 224
8．2 KXEN分析軟件――構建歐洲博彩業下注預測平臺 226
8．2．1 現代博彩業背后的黑手 226
8．2．2 集體智慧和莊家賠率的聯系 228
8．2．3 KXEN軟件小結 231
8．3 數據廢氣再利用――物流公司數據成功用于評估客戶信用 233
8．3．1 數據廢氣和黑暗數據的異同 234
8．3．2 論如何充分利用物流公司數據 235
8．3．3 數據廢氣再利用小結 239
8．4 必應預測――使用往期信息預測自然災害 240
8．4．1 預測自然災害的必要性 241
8．4．2 微軟大數據預測的優與劣 242
8．4．3 必應預測小結 245
8．5 點球成金――助力NBA大數據分析的多種神秘軟件 246
8．5．1 NBA的有效球員數據 247
8．5．2 有關點球成金的靠譜方法 249
8．5．3 點球成金小結 251
展開全部
數據挖掘:你必須知道的32個經典案例 作者簡介
任昱衡：博士、副研究員，高級電子商務師，高級硬件工程師，中國電子商務協會電子商務研究院副院長，中國電子商務協會信用體系建設管理中心主任助理，中國電子商務師資質（職稱）認證管理中心主任助理。參與國家多項電子商務法律、法規、標準制定工作，目前主要負責國家電子商務師職業水平（職稱）認證體系的構建和國家電子商務行業企業信用監管工作。李倩星：畢業于西南大學統計學專業，對數據挖掘、機器學習以及人工智能領域有深刻的研究。主持翻譯了《傳播學中的大數據：發展與不足》、《大數據、一個新興領域的誤區和方法與概念》、《數據挖掘揭示了差評導致的負反饋怪圈》等數十篇前沿科技文章，并發表于PPV課社區。米曉飛：北京航空航天大學碩士，現任宜信高級數據分析挖掘工程師。曾在中軟國際任高級工程師，一手建立成熟網站，架構了大數據分析環境并確立完整的流程，熟悉大數據生態系統及應用。在網站和大數據方面有著豐富的經驗，尤其是精準營銷和數據挖掘方向。
書友推薦
- >
回憶愛瑪儂
- >
自卑與超越
- >
上帝之肋:男人的真實旅程
- >
我從未如此眷戀人間
- >
推拿
- >
唐代進士錄
- >
詩經-先民的歌唱
- >
名家帶你讀魯迅:朝花夕拾
本類暢銷
