掃一掃
關(guān)注中圖網(wǎng)
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(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
預(yù)測性分析:基于數(shù)據(jù)科學的方法(原書第2版) 版權(quán)信息
- ISBN：9787111718345
- 條形碼：9787111718345 ; 978-7-111-71834-5
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
預(yù)測性分析:基于數(shù)據(jù)科學的方法(原書第2版) 本書特色
商業(yè)分析四部曲之一，決策者可以使用預(yù)測性分析來發(fā)現(xiàn)數(shù)據(jù)中隱藏的模式和相互關(guān)系，從而改進關(guān)鍵業(yè)務(wù)決策
預(yù)測性分析:基于數(shù)據(jù)科學的方法(原書第2版) 內(nèi)容簡介
本書全面介紹了預(yù)測性分析相關(guān)方法，不僅直觀地闡述了相關(guān)概念，還給出了現(xiàn)實的示例問題和真實的案例研究—包括從失敗項目獲得的經(jīng)驗教訓。<br />本書理論和實踐內(nèi)容相對平衡，便于讀者加深理解。<br />全書共9章，外加一個附錄。<br />第1章為分析導(dǎo)論，<br />第2章為預(yù)測性分析和數(shù)據(jù)挖掘?qū)д摚?amp;lt;br />第3章介紹預(yù)測性分析的標準流程，<br />第4章介紹預(yù)測性分析的數(shù)據(jù)和方法，<br />第5章介紹預(yù)測性分析算法，<br />第6章探討預(yù)測性建模中的高階主題，<br />第7章介紹文本分析、主題建模和情感分析，<br />第8章介紹預(yù)測性分析使用的大數(shù)據(jù)，<br />第9章介紹深度學習和認知計算，<br />附錄展望了商業(yè)分析和數(shù)據(jù)科學工具的前景。<br />本書適合計算機科學、數(shù)據(jù)科學和商業(yè)分析領(lǐng)域的相關(guān)從業(yè)人員閱讀。
預(yù)測性分析:基于數(shù)據(jù)科學的方法(原書第2版) 目錄
第1章 分析導(dǎo)論1
1.1 名稱中有什么關(guān)系2
1.2 為什么分析和數(shù)據(jù)科學會突然
流行起來4
1.3 分析的應(yīng)用領(lǐng)域5
1.4 分析面臨的主要挑戰(zhàn)5
1.5 分析的縱向視圖6
1.6 分析的簡單分類9
1.7 分析的前沿：IBM Watson12
小結(jié)16
參考文獻17
第2章 預(yù)測性分析和數(shù)據(jù)挖掘?qū)д?8
2.1 什么是數(shù)據(jù)挖掘20
2.2 數(shù)據(jù)挖掘不是什么21
2.3 *常見的數(shù)據(jù)挖掘應(yīng)用22
2.4 數(shù)據(jù)挖掘能夠發(fā)現(xiàn)什么樣的模式25
2.5 流行的數(shù)據(jù)挖掘工具28
2.6 數(shù)據(jù)挖掘的潛在問題：隱私問題31
小結(jié)36
參考文獻36
第3章 預(yù)測性分析的標準流程38
3.1 數(shù)據(jù)庫的知識發(fā)現(xiàn)流程38
3.2 跨行業(yè)數(shù)據(jù)挖掘的標準流程39
3.3 SEMMA43
3.4 SEMMA和CRISP-DM45
3.5 數(shù)據(jù)挖掘的六西格瑪46
3.6 哪種方法*好47
小結(jié)51
參考文獻51
第4章 預(yù)測性分析的數(shù)據(jù)和方法52
4.1 數(shù)據(jù)分析中數(shù)據(jù)的本質(zhì)52
4.2 分析中的數(shù)據(jù)預(yù)處理54
4.3 數(shù)據(jù)挖掘方法57
4.4 預(yù)測57
4.5 分類58
4.6 決策樹63
4.7 數(shù)據(jù)挖掘中的聚類分析65
4.8 k均值聚類算法67
4.9 關(guān)聯(lián)68
4.10 Apriori算法70
4.11 數(shù)據(jù)挖掘和預(yù)測性分析的誤解
與現(xiàn)實71
小結(jié)77
參考文獻77
第5章 預(yù)測性分析算法79
5.1 樸素貝葉斯79
5.2 *近鄰算法82
5.3 相似度度量：距離83
5.4 人工神經(jīng)網(wǎng)絡(luò)85
5.5 支持向量機88
5.6 線性回歸91
5.7 邏輯回歸94
5.8 時間序列預(yù)測95
小結(jié)99
參考文獻99
第6章 預(yù)測性建模中的高階主題102
6.1 模型集成102
6.2 預(yù)測性分析中的偏差–方差權(quán)衡112
6.3 預(yù)測性分析中的非平衡數(shù)據(jù)問題115
6.4 預(yù)測性分析中機器學習模型的
可解釋性118
小結(jié)124
參考文獻124
第7章 文本分析、主題建模和
情感分析126
7.1 自然語言處理129
7.2 文本挖掘應(yīng)用132
7.3 文本挖掘流程135
7.4 文本挖掘工具143
7.5 主題建模144
7.6 情感分析146
小結(jié)153
參考文獻154
第8章 預(yù)測性分析使用的大數(shù)據(jù)156
8.1 大數(shù)據(jù)從何而來156
8.2 定義大數(shù)據(jù)的V158
8.3 大數(shù)據(jù)的基本概念160
8.4 大數(shù)據(jù)分析解決的業(yè)務(wù)問題163
8.5 大數(shù)據(jù)技術(shù)163
8.6 數(shù)據(jù)科學家169
8.7 大數(shù)據(jù)和流分析171
8.8 數(shù)據(jù)流挖掘172
小結(jié)174
參考文獻175
第9章 深度學習和認知計算176
9.1 深度學習導(dǎo)論176
9.2 淺層神經(jīng)網(wǎng)絡(luò)基礎(chǔ)179
9.3 人工神經(jīng)網(wǎng)絡(luò)的要素181
9.4 深度神經(jīng)網(wǎng)絡(luò)186
9.5 卷積神經(jīng)網(wǎng)絡(luò)189
9.6 循環(huán)神經(jīng)網(wǎng)絡(luò)與長短時記憶網(wǎng)絡(luò)195
9.7 實現(xiàn)深度學習的計算機框架199
9.8 認知計算201
小結(jié)209
參考文獻209
附錄 KNIME及商業(yè)分析和
數(shù)據(jù)科學工具前景展望213
1.1 名稱中有什么關(guān)系2
1.2 為什么分析和數(shù)據(jù)科學會突然
流行起來4
1.3 分析的應(yīng)用領(lǐng)域5
1.4 分析面臨的主要挑戰(zhàn)5
1.5 分析的縱向視圖6
1.6 分析的簡單分類9
1.7 分析的前沿：IBM Watson12
小結(jié)16
參考文獻17
第2章 預(yù)測性分析和數(shù)據(jù)挖掘?qū)д?8
2.1 什么是數(shù)據(jù)挖掘20
2.2 數(shù)據(jù)挖掘不是什么21
2.3 *常見的數(shù)據(jù)挖掘應(yīng)用22
2.4 數(shù)據(jù)挖掘能夠發(fā)現(xiàn)什么樣的模式25
2.5 流行的數(shù)據(jù)挖掘工具28
2.6 數(shù)據(jù)挖掘的潛在問題：隱私問題31
小結(jié)36
參考文獻36
第3章 預(yù)測性分析的標準流程38
3.1 數(shù)據(jù)庫的知識發(fā)現(xiàn)流程38
3.2 跨行業(yè)數(shù)據(jù)挖掘的標準流程39
3.3 SEMMA43
3.4 SEMMA和CRISP-DM45
3.5 數(shù)據(jù)挖掘的六西格瑪46
3.6 哪種方法*好47
小結(jié)51
參考文獻51
第4章 預(yù)測性分析的數(shù)據(jù)和方法52
4.1 數(shù)據(jù)分析中數(shù)據(jù)的本質(zhì)52
4.2 分析中的數(shù)據(jù)預(yù)處理54
4.3 數(shù)據(jù)挖掘方法57
4.4 預(yù)測57
4.5 分類58
4.6 決策樹63
4.7 數(shù)據(jù)挖掘中的聚類分析65
4.8 k均值聚類算法67
4.9 關(guān)聯(lián)68
4.10 Apriori算法70
4.11 數(shù)據(jù)挖掘和預(yù)測性分析的誤解
與現(xiàn)實71
小結(jié)77
參考文獻77
第5章 預(yù)測性分析算法79
5.1 樸素貝葉斯79
5.2 *近鄰算法82
5.3 相似度度量：距離83
5.4 人工神經(jīng)網(wǎng)絡(luò)85
5.5 支持向量機88
5.6 線性回歸91
5.7 邏輯回歸94
5.8 時間序列預(yù)測95
小結(jié)99
參考文獻99
第6章 預(yù)測性建模中的高階主題102
6.1 模型集成102
6.2 預(yù)測性分析中的偏差–方差權(quán)衡112
6.3 預(yù)測性分析中的非平衡數(shù)據(jù)問題115
6.4 預(yù)測性分析中機器學習模型的
可解釋性118
小結(jié)124
參考文獻124
第7章 文本分析、主題建模和
情感分析126
7.1 自然語言處理129
7.2 文本挖掘應(yīng)用132
7.3 文本挖掘流程135
7.4 文本挖掘工具143
7.5 主題建模144
7.6 情感分析146
小結(jié)153
參考文獻154
第8章 預(yù)測性分析使用的大數(shù)據(jù)156
8.1 大數(shù)據(jù)從何而來156
8.2 定義大數(shù)據(jù)的V158
8.3 大數(shù)據(jù)的基本概念160
8.4 大數(shù)據(jù)分析解決的業(yè)務(wù)問題163
8.5 大數(shù)據(jù)技術(shù)163
8.6 數(shù)據(jù)科學家169
8.7 大數(shù)據(jù)和流分析171
8.8 數(shù)據(jù)流挖掘172
小結(jié)174
參考文獻175
第9章 深度學習和認知計算176
9.1 深度學習導(dǎo)論176
9.2 淺層神經(jīng)網(wǎng)絡(luò)基礎(chǔ)179
9.3 人工神經(jīng)網(wǎng)絡(luò)的要素181
9.4 深度神經(jīng)網(wǎng)絡(luò)186
9.5 卷積神經(jīng)網(wǎng)絡(luò)189
9.6 循環(huán)神經(jīng)網(wǎng)絡(luò)與長短時記憶網(wǎng)絡(luò)195
9.7 實現(xiàn)深度學習的計算機框架199
9.8 認知計算201
小結(jié)209
參考文獻209
附錄 KNIME及商業(yè)分析和
數(shù)據(jù)科學工具前景展望213
展開全部
預(yù)測性分析:基于數(shù)據(jù)科學的方法(原書第2版) 作者簡介
Dursun Delen博士是商業(yè)分析、數(shù)據(jù)科學和機器學習領(lǐng)域的國際知名專家。他經(jīng)常受邀參加各種國內(nèi)外會議，就數(shù)據(jù)/文本挖掘、商務(wù)智能、決策支持系統(tǒng)、商業(yè)分析、數(shù)據(jù)科學和知識管理等主題做大會報告。在2001年被聘任為俄克拉荷馬州立大學（Oklahoma State University）的教授前，Delen博士在工業(yè)界工作了十多年，致力于為企業(yè)開發(fā)和交付商業(yè)分析解決方案。他曾在私營應(yīng)用研究和咨詢公司Knowledge Based Systems，Inc.（KBSI）擔任研究科學家。在KBSI任職的五年間，Delen博士主持了很多與決策支持系統(tǒng)、企業(yè)工程、信息系統(tǒng)開發(fā)和高級商業(yè)分析相關(guān)的項目，這些項目由私營企業(yè)和美國聯(lián)邦機構(gòu)（包括國防部、NASA、國家科學基金會、國家標準和技術(shù)研究所以及能源部）資助。現(xiàn)在，除學術(shù)工作外，Delen博士還為企業(yè)提供專業(yè)教育和咨詢服務(wù)，幫助它們評估分析、數(shù)據(jù)科學和信息系統(tǒng)需求以及開發(fā)最先進的計算機決策支持系統(tǒng)。 Delen博士目前的學術(shù)職位是工商管理威廉·S. 斯皮爾斯講席教授和商業(yè)分析帕特森家族講席教授。他是美國衛(wèi)生系統(tǒng)創(chuàng)新中心（Center for Health Systems Innovation）的研究主任，也是俄克拉荷馬州立大學斯皮爾斯商學院（Spears School of Business）管理科學和信息系統(tǒng)的杰出教授。他在Journal of Business Research、Journal of Business Analytics、Decision Sciences Journal、Decision Support Systems、Communications of the ACM、Computers & Operations Research、Annals of Operations Research、Computers in Industry、Journal of Production Operations Management、Artificial Intelligence in Medicine、Journal of the American Medical Informatics Association、Expert Systems with Applications、Renewable and Sustainable Energy Reviews、Energy、Renewable Energy等核心期刊上發(fā)表了150多篇經(jīng)過同行評議的研究論文。他還撰寫或與人合著了11本商業(yè)分析、數(shù)據(jù)科學和商務(wù)智能領(lǐng)域的專著和教材。 Delen博士經(jīng)常在各種商業(yè)分析和信息系統(tǒng)的會議上擔任專題和子專題的主席。目前，他是Journal of Business Analytics和Frontiers in Artificial Intelligence的主編，Journal of Decision Support Systems、Decision Sciences和Journal of Business Research的高級編輯，Decision Analytics、International Journal of Information and Knowledge Management和International Journal of RF Technologies的副主編，以及其他幾本學術(shù)期刊的編委會成員。他曾獲得著名的富布賴特學者獎、杰出教師和研究者獎、校長杰出研究者獎和大數(shù)據(jù)導(dǎo)師獎等多項研究和教學獎項。
書友推薦
- >
我與地壇
- >
詩經(jīng)-先民的歌唱
- >
姑媽的寶刀
- >
月亮虎
- >
羅庸西南聯(lián)大授課錄
- >
伊索寓言-世界文學名著典藏-全譯本
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術(shù)叢書(紅燭學術(shù)叢書)
- >
月亮與六便士
本類暢銷
