掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
以利為利:財政關系與地方政府行為
-
>
立足飯碗 藏糧于地——基于中國人均耕地警戒值的耕地保護視角
-
>
營銷管理
-
>
茶葉里的全球貿易史(精裝)
-
>
近代華商股票市場制度與實踐(1872—1937)
-
>
麥肯錫圖表工作法
-
>
海龜交易法則
大數據與商務決策 版權信息
- ISBN：9787551724715
- 條形碼：9787551724715 ; 978-7-5517-2471-5
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
大數據與商務決策 內容簡介
本書共分十章, 內容包括: 基本概念、統計學習方法概述、分類器模型的評價標準及提升策略、感知機與神經網絡、貝葉斯分類方法、k近鄰算法等。
大數據與商務決策 目錄
**章 基本概念
**節 大數據的概念及其分析的一般思路
一、大數據概念探析
二、大數據時代不可忽略的小數據分析
第二節 商務決策的概念以及一般步驟
一、決策與商務決策
二、商務決策的一般步驟
三、商務決策的一個例子
第三節 數據分析與商務決策的關系及一些典型示例
一、兩者之間的關系
二、典型示例
第四節 各章節內容及各章的重點難點
習題一
本章參考文獻
第二章 統計學習方法概述
**節 一個導入性的例子
第二節 統計學習方法的三要素及其含義
一、模型
二、策略
三、算法
習題二
本章參考文獻
第三章 分類器模型的評價標準及提升策略
**節 分類器模型的一般形式
第二節 評價分類器準確性的指標
一、Accuracy，Precision，Recall和F-measure
二、Cost
三、ROC和AUC
第三節 提高分類器準確性的方法
一、袋裝法
二、自適應增強方法
習題三
本章參考文獻
第四章 感知機與神經網絡
**節 概念介紹
第二節 感知機
一、感知機模型
二、感知機學習策略
三、感知機學習算法
四、感知機學習算法的收斂性
第三節 人工神經網絡
一、神經元模型
二、神經網絡的結構
三、神經網絡的學習規則
第四節 BP神經網絡算法
一、BP神經網絡算法基本原理
二、BP神經網絡算法的流程及算例
三、模型應用討論
習題四
本章參考文獻
第五章 貝葉斯分類方法
**節 貝葉斯定理
一、條件概率
二、貝葉斯定理
第二節 貝葉斯定理在分類中的應用概述
一、分類問題概述
二、貝葉斯定理在分類中運用的基本原理
第三節 樸素貝葉斯分類方法
一、概念及主要方法描述
二、方法流程及算例
習題五
本章參考文獻
第六章 k近鄰算法
**節 k近鄰算法基本原理
第二節 k近鄰模型
一、模型
二、距離度量
三、k值的選擇
四、分類決策規則：與統計學習方法一般模型的關系
第三節 后近鄰算法的實現：kd-樹
一、構造kd-樹
二、搜索kd-樹
第四節 商務決策案例及應用：員工離職預測
一、數據說明
二、問題描述
三、模型求解
四、結果總結及討論
習題六
本章參考文獻
第七章 聚類算法
**節 聚類分析基本概念
一、性能度量
二、距離計算
第二節 聚類算法的分類
一、基于劃分的方法
二、基于層次的方法
三、基于密度的方法
第三節 k均值算法
一、基本原理
二、算法流程
第四節 BIRCH算法
一、聚類特征(CF)
二、聚類特征樹(CF-tree)
第五節 DBSCAN算法
一、基本原理
二、算法流程
第六節 方法總結與討論
習題七
本章參考文獻
第八章 EM算法及其應用
**節 EM算法的基本流程
一、從三硬幣問題的方法導入
二、極大似然估計與牛頓法求解“三枚硬幣問題”
三、EM算法的基本步驟
第二節 EM算法的來源
一、EM算法的來源推導
二、EM算法的收斂性分析
第三節 EM算法的應用舉例
習題八
本章參考文獻
第九章 隨機行動者模型
**節 隨機行動者模型簡介
第二節 隨機行動者模型
一、基本假設
二、模型說明
三、參數估計
第三節 效應說明
一、網絡結構效應
二、一元屬性
三、二元屬性
四、效應選擇的規則
第四節 模型應用
習題九
本章參考文獻
第十章 大數據處理及應用示例
**節 數據規模的認識
第二節 大數據處理框架簡介
第三節 Hadoop處理框架
一、HDFS：分布式文件系統
二、MapReduce：分布式計算框架
三、Yam：資源調度管理
第四節 商務決策實戰
一、流量統計與地點聚類
二、地址標簽匹配
第五節 討論與小結
習題十
本章參考文獻
**節 大數據的概念及其分析的一般思路
一、大數據概念探析
二、大數據時代不可忽略的小數據分析
第二節 商務決策的概念以及一般步驟
一、決策與商務決策
二、商務決策的一般步驟
三、商務決策的一個例子
第三節 數據分析與商務決策的關系及一些典型示例
一、兩者之間的關系
二、典型示例
第四節 各章節內容及各章的重點難點
習題一
本章參考文獻
第二章 統計學習方法概述
**節 一個導入性的例子
第二節 統計學習方法的三要素及其含義
一、模型
二、策略
三、算法
習題二
本章參考文獻
第三章 分類器模型的評價標準及提升策略
**節 分類器模型的一般形式
第二節 評價分類器準確性的指標
一、Accuracy，Precision，Recall和F-measure
二、Cost
三、ROC和AUC
第三節 提高分類器準確性的方法
一、袋裝法
二、自適應增強方法
習題三
本章參考文獻
第四章 感知機與神經網絡
**節 概念介紹
第二節 感知機
一、感知機模型
二、感知機學習策略
三、感知機學習算法
四、感知機學習算法的收斂性
第三節 人工神經網絡
一、神經元模型
二、神經網絡的結構
三、神經網絡的學習規則
第四節 BP神經網絡算法
一、BP神經網絡算法基本原理
二、BP神經網絡算法的流程及算例
三、模型應用討論
習題四
本章參考文獻
第五章 貝葉斯分類方法
**節 貝葉斯定理
一、條件概率
二、貝葉斯定理
第二節 貝葉斯定理在分類中的應用概述
一、分類問題概述
二、貝葉斯定理在分類中運用的基本原理
第三節 樸素貝葉斯分類方法
一、概念及主要方法描述
二、方法流程及算例
習題五
本章參考文獻
第六章 k近鄰算法
**節 k近鄰算法基本原理
第二節 k近鄰模型
一、模型
二、距離度量
三、k值的選擇
四、分類決策規則：與統計學習方法一般模型的關系
第三節 后近鄰算法的實現：kd-樹
一、構造kd-樹
二、搜索kd-樹
第四節 商務決策案例及應用：員工離職預測
一、數據說明
二、問題描述
三、模型求解
四、結果總結及討論
習題六
本章參考文獻
第七章 聚類算法
**節 聚類分析基本概念
一、性能度量
二、距離計算
第二節 聚類算法的分類
一、基于劃分的方法
二、基于層次的方法
三、基于密度的方法
第三節 k均值算法
一、基本原理
二、算法流程
第四節 BIRCH算法
一、聚類特征(CF)
二、聚類特征樹(CF-tree)
第五節 DBSCAN算法
一、基本原理
二、算法流程
第六節 方法總結與討論
習題七
本章參考文獻
第八章 EM算法及其應用
**節 EM算法的基本流程
一、從三硬幣問題的方法導入
二、極大似然估計與牛頓法求解“三枚硬幣問題”
三、EM算法的基本步驟
第二節 EM算法的來源
一、EM算法的來源推導
二、EM算法的收斂性分析
第三節 EM算法的應用舉例
習題八
本章參考文獻
第九章 隨機行動者模型
**節 隨機行動者模型簡介
第二節 隨機行動者模型
一、基本假設
二、模型說明
三、參數估計
第三節 效應說明
一、網絡結構效應
二、一元屬性
三、二元屬性
四、效應選擇的規則
第四節 模型應用
習題九
本章參考文獻
第十章 大數據處理及應用示例
**節 數據規模的認識
第二節 大數據處理框架簡介
第三節 Hadoop處理框架
一、HDFS：分布式文件系統
二、MapReduce：分布式計算框架
三、Yam：資源調度管理
第四節 商務決策實戰
一、流量統計與地點聚類
二、地址標簽匹配
第五節 討論與小結
習題十
本章參考文獻
展開全部
書友推薦
- >
自卑與超越
- >
羅庸西南聯大授課錄
- >
伊索寓言-世界文學名著典藏-全譯本
- >
二體千字文
- >
推拿
- >
朝聞道
- >
中國歷史的瞬間
- >
我從未如此眷戀人間
本類暢銷
