消息 首页 搜索 举报
  • 数据挖掘 你必须知道的32个经典案例(第2版)
  • 数据挖掘 你必须知道的32个经典案例(第2版)
21年品牌 40万+商家 超1.5亿件商品

数据挖掘 你必须知道的32个经典案例(第2版)

全新正版 假一赔十 可开发票

￥ 38.48 6.5折 ￥ 59 全新

库存2件

北京东城
认证卖家担保交易快速发货售后保障

作者任昱衡等

出版社电子工业出版社

ISBN9787121351129

出版时间2017-02

装帧平装

开本其他

定价59元

货号1201769441

上书时间2024-12-12

轻阅书店

三年老店
已实名 已认证 进店 收藏店铺
  • 最新上架

   商品详情   

品相描述：全新
商品描述
作者简介
  
任昱衡，博士，副研究员，不错电子商务师，不错硬件工程师，中国电子商务协会电子商务研究院副院长，中国电子商务协会信用体系建设管理中心主任助理，中国电子商务师资质（职称）认证管理中心主任助理。参与国家多项电子商务法律、法规、标准制定工作，目前主要负责国家电子商务师职业水平（职称）认证体系的构建和国家电子商务行业企业信用监督工作。

目录
目  录    

章  经典的探索性数据分析案例1
1.1  探索性数据分析综述2
1.1.1  什么是探索性数据分析2
1.1.2  如何收集数据4
1.1.3  数据预处理技术5
1.2  数据巧收集――红牛的大数据营销案例8
1.2.1  状况百出的红牛企业8
1.2.2  红牛企业巧妙收集消费者数据9
1.2.3  数据收集小结12
1.3  数据可视化――数据新闻促使英军撤军13
1.3.1  维基解密带来的海量数据13
1.3.2  百花齐放的数据新闻15
1.3.3  数据可视化小结18
1.4  异常值分析――Facebook消灭钓鱼链接19
1.4.1  Facebook和广告商之间的拉锯战20
1.4.2  异常值分析指导排名算法工作22
1.4.3  异常值分析小结26
1.5  对比分析――TrueCar指导购物者寻找最合算的车价27
1.5.1  火中取栗的TrueCar网站28
1.5.2  数据对比赢得消费者信赖29
1.5.3  对比分析小结32
第2章  经典的相关分析与回归分析案例35
2.1  相关回归综述36
2.1.1  相关回归简介36
2.1.2  相关性分析的发展介绍38
2.1.3  回归分析的发展介绍39
2.2  皮尔逊相关值――纽约市政府利用相关分析监控违法建筑40
2.2.1  简约而不简单的消防检测系统40
2.2.2  使用相关分析洞察60个变量的关系42
2.2.3  相关分析小结45
2.3  时间序列分析――人寿保险的可提费用预测47
2.3.1  人寿保险公司和可提费用47
2.3.2  使用4种时间序列回归预测模型解决问题49
2.3.3  时间序列分析小结52
2.4  线性回归分析――梅西百货公司的12项大数据策略54
2.4.1  从“一亿豪赌”说起的零售商困境54
2.4.2  SAS公司帮助梅西百货构建模型56
2.4.3  线性回归分析小结59
2.5  Logistic回归分析――大面积流感爆发的预测分析62
2.5.1  究竟谁才是流感预测算法之王62
2.5.2  向Logistic算法中引入更多变量64
2.5.3  Logistic回归分析小结67
第3章  经典的降维数据分析案例69
3.1  降维分析算法综述70
3.1.1  为什么要使用降维算法70
3.1.2  线性降维算法72
3.1.3  非线性降维算法73
3.2  粗糙集算法――协助希腊工业发展银行制定信贷政策74
3.2.1  银行信贷政策的制定原则75
3.2.2  粗糙集算法的原理和应用76
3.2.3  粗糙集算法小结80
3.3  因子分析――基于李克特量表的应聘评价法82
3.3.1  源于智力测试的因子分析82
3.3.2  使用因子分析解构问卷84
3.3.3  因子分析小结87
3.4  最优尺度分析――直观评估消费者倾向的分析方法89
3.4.1  市场调查问题催生的最优尺度分析89
3.4.2  6种经典的最优尺度分析解读方法91
3.4.3  最优尺度分析小结95
3.5  PCA降维算法――智能人脸识别的应用与拓展97
3.5.1  刷脸的时代来了97
3.5.2  使用PCA算法完成降维工作99
3.5.3  PCA算法小结102
第4章  经典的模式识别案例105
4.1  模式识别综述106
4.1.1  模式识别简介106
4.1.2  模式识别的发展脉络107
4.1.3  模式识别应用简介110
4.2  图像分析――谷歌的超前自动驾驶技术111
4.2.1  以安全的名义呼吁自动驾驶技术111
4.2.2  快速成熟的无人驾驶技术113
4.2.3  图像分析小结116
4.3  遗传算法――经典的人力资源优化问题118
4.3.1  使用有限资源实现利益优选化118
4.3.2  遗传算法的计算过程120
4.3.3  遗传算法小结123
4.4  决策树分析――“沸腾时刻”准确判断用户健康水平124
4.4.1  打造我国优选的健身平台124
4.4.2  信息增益和决策树126
4.4.3  决策树小结129
4.5  K均值聚类分析――HSE24通过为客户分类降低退货率131
4.5.1  在电子商务市场快速扩张的HSE24131
4.5.2  使用K均值聚类为客户分类133
4.5.3  K均值聚类小结136
第5章  经典的机器学习案例139
5.1  机器学习综述140
5.1.1  机器学习简介140
5.1.2  机器学习的主流发展和应用142
5.2  语义搜索――沃尔玛搜索引擎提升15%销售额143
5.2.1  注重用户体验的沃尔玛公司144
5.2.2  语义搜索引擎的底层技术和原理145
5.2.3  语义搜索技术小结148
5.3  顺序分析――搜狗输入法的智能纠错系统150
5.3.1  搜狗输入法的王牌词库和智能算法151
5.3.2  频繁树模式和顺序分析算法153
5.3.3  顺序分析小结156
5.4  文本分析――经典的垃圾邮件过滤系统158
5.4.1  大数据时代需要文本分析工作158
5.4.2  垃圾邮件过滤中的分词技术和词集模型160
5.4.3  文本分析小结163
5.5  协同过滤――构建个性化推荐系统的经典算法164
5.5.1  协同过滤算法为什么这么流行165
5.5.2  基于用户和基于产品的协同过滤166
5.5.3  协同过滤算法小结169
第6章  经典的深度学习案例171
6.1  深度学习综述172
6.1.1  深度学习简介172
6.1.2  深度学习在图像处理方面的应用174
6.1.3  深度学习在自然语言处理方面的应用176
6.2  支持向量机――乔布斯利用大数据对抗癌症178
6.2.1  乔布斯和胰腺癌的抗争178
6.2.2  医学统计学和支持向量机180
6.2.3  支持向量机小结184
6.3  感知器神经网络――最佳的房产价格预测算法185
6.3.1  如何预测房价186
6.3.2  多层感知器和误差曲面188
6.3.3  感知器神经网络小结191
6.4  自组织神经网络――如何又快又好地解决旅行商问题193
6.4.1  最优路径问题的典型模式和解决方法193
6.4.2  自组织神经网络的拓扑结构和权值调整194
6.4.3  自组织神经网络小结198
6.5  RBM算法――为新闻报道智能分类199
6.5.1  新闻报道智能分类的难与易199
6.5.2  RBM算法的学习目标和学习方法201
6.5.3  RBM算法小结204

第7章  经典的数据挖掘案例207
7.1  数据挖掘综述208
7.1.1  什么是数据挖掘208
7.1.2  数据挖掘的主要应用领域209
7.1.3  数据挖掘模型的评价指标211
7.2  判别分析――美国运通构建客户流失预测模型213
7.2.1  美国运通公司的旧日辉煌213
7.2.2  判别分析的假设条件和判别函数214
7.2.3  判别分析小结218
7.3  购物篮分析――找出零售业的最佳商品组合220
7.3.1  名动天下的“啤酒和尿布”案例220
7.3.2  购物篮分析的频繁模式222
7.3.3  购物篮分析小结225
7.4  马尔可夫链――准确预测客运市场占有率227
7.4.1  复杂的客运市场系统227
7.4.2  概率转移矩阵的求解方法229
7.4.3  马尔可夫链小结232
7.5  AdaBoost元算法――有效侦测欺诈交易的复合算法233
7.5.1  弱分类器和强分类器之争233
7.5.2  AdaBoost元算法的分类器构建方法235
7.5.3  AdaBoost元算法小结238
第8章  经典的商业智能分析案例241
8.1  商业智能分析综述242
8.1.1  什么是商业智能242
8.1.2  商业智能的主流发展与应用244

8.2  KXEN分析软件――构建欧洲博彩业下注预测平台246
8.2.1  现代博彩业背后的黑手247
8.2.2  集体智慧和庄家赔率的联系248
8.2.3  KXEN软件小结252
8.3  数据废气再利用――物流公司数据成功用于评估客户信用253
8.3.1  数据废气和黑暗数据的异同254
8.3.2  论如何充分利用物流公司数据255
8.3.3  数据废气再利用小结258
8.4  必应预测――使用往期信息预测自然灾害259
8.4.1  预测自然灾害的必要性260
8.4.2  微软大数据预测的优与劣261
8.4.3  必应预测小结263
8.5  点球成金――助力NBA大数据分析的多种神秘软件265
8.5.1  NBA的有效球员数据265
8.5.2  有关点球成金的靠谱方法268
8.5.3  点球成金小结270

内容摘要
本书是为广大数据分析师量身定制的入门读物，它旨在帮助读者站在大数据时代的制高点。数据分析处于统计学、计算机信息科学、运筹学、数据库等多个领域的交叉地带，大数据时代的到来大大丰富了数据分析的内涵，数据分析师的职责与以往相比发生了巨大的改变。本书全面介绍了经典数据分析、模式识别、机器学习、深度学习、数据挖掘、商务智能等多个领域的数据分析算法，将大数据时代的数据分析热点技术一网打尽。本书为每个数据分析算法都搭配了一个经典案例，并按照由易到难的原则构建知识框架，充分照顾了不同水平读者的阅读习惯。通过阅读本书，读者将对大数据时代下的数据分析有一个全面的认识。无论是入门级的数据分析员还是有一定基础的数据分析师，都能通过本书完善、加深对数据分析的认识。

精彩内容
"前  言    

自2015年以来，“大数据时代”已成为最热门的名词之一。大数据在企业决策中扮演着越来越重要的角色，各个行业都不约而同地提出了大数据的口号，与大数据相关的新名词、新产品不断涌现，“统计分析和数据挖掘”跻身最受欢迎的求职技能行列，数据分析师的薪酬待遇也远远超过平均薪资水平。与数据分析技能之火爆相对应的是数据分析人才的缺失。麦肯锡公司的研究报告表明，截至2018年，全球面临150万数据分析人才方面的缺口。这意味着，有150万的其他行业从业人员将有可能把握住机会，转型为令人艳羡的数据分析师。
全面的数据改革迫在眉睫，但如何真正落实大数据的应用，仍然是一个富于争议的话题。数据分析行业内部面临着相同的困境，在大数据时代，新的数据分析方法层出不穷，原有的数据分析方法也在不断完善，这些都导致数据分析师这一工作发生了令人措手不及的变化。为了帮助新的从业人员尽快熟悉数据分析这一工作，以及帮助原有的数据分析师尽快完成转型，本书精心选择了32个流行的数据分析算法，并佐以案例，供大家了解大数据时代下数据分析行业的最新动态。
?本书特色
1. 条理清晰，内容翔实，全面介绍了大数据时代下的数据分析算法体系
数据分析处于统计学、人工智能、模式识别、机器学习等多个领域的交叉处。本书分为8章，每章都有独立的主题，涵盖了数据分析所涉及的大部分学科。同时，本书不同章之间存在紧密的关联，揭示了不同学科之间的异同，以及它们是如何丰富数据分析的内涵并影响数据分析学科发展的轨迹的。通过阅读本书，读者将站在制高点，一览大数据时代下不同数据分析算法是如何彼此关联而构成完整体系的。
2．语言通俗易懂，内容由易到难，适合各层次的读者学习
本书语言诙谐有趣，对每个数学公式都不厌其烦地举例讲解，即使毫无高等数学基础的读者也能够读懂本书所讲解的内容。同时，本书严格按照由易到难的学习规律编写，从较为简单的经典数据分析方法写起，逐渐过渡到较为晦涩的模式识别、机器学习等内容，通过阅读本书，读者将从一个“数据分析小白”迅速进阶为基础扎实、能独当一面的数据分析师。本书的内容涵盖了每个算法的原理、公式、适用场景和优缺点。无论是数据分析菜鸟，还是有一定经验的数据分析师，本书都能够帮助你拓展、加深对数据分析的认识。
3．案例丰富精彩，应用贴近实际，满足读者的多重需求
本书为每个算法都配备了一个精心选择（兼顾时效性）的商业案例，这些案例横跨十几个行业，将大数据时代为人称道的经典案例一网打尽，满足了读者的三大需求：首先，结合案例能将算法讲解得更加清楚，加深读者对算法的认识；其次，这些案例展示了数据分析在各行各业的最新应用，读者能够通过它们切实感受到数据分析的魅力，激发读者学习数据分析的热情；最后，这些案例涉及多个领域，不仅能够迎合从事不同领域工作的读者的口味，也能够让读者了解数据分析在不同领域的现状，从而帮助读者选择进一步深入学习的方向。

?第2版说明
第2版在版的基础上，对每章的综述部分内容进行了扩充，增加了诸如现实进展、应用初窥、算法类型介绍、技术发展历程等内容。以便读者能够更加充分地了解这些算法及其落地应用的前世今生，清晰地把握算法是如何提出的、如何迭代的，以及如何应用在解决实际问题当中。此外，为了保证本书的时效性。第2版还修正和补充了一些新的案例和数据，添加了2015—2018年数据挖掘/数据分析领域中的一些新的进展和新的成果。这些努力的目的都是力图使本书变得更加丰富和形象化，引起读者对数据挖掘和数据分析相关方面的兴趣。此外，鉴于作者水平有限，可能存在谬误之处，希望您在阅读本书之时，带有一些批判的眼光，给予指正和批评。
?本书内容及体系结构
章  经典的探索性数据分析案例
本章介绍了4种最基本的数据分析方法，分别是数据收集、数据可视化、异常值分析和对比分析。通过学习这4种数据分析方法，读者将对数据分析师的工作内容有一个初步的了解，使读者能够完成初级的数据分析任务。
第2章  经典的相关分析与回归分析案例
本章的主题是相关分析和回归分析。这两种分析方法经典、古老而有效，至今仍被广泛应用。其中，相关分析能够为回归分析做准备，回归分析又从侧面验证了相关分析结果的正确性。本章涉及1种最常见的相关分析方法和3种最常见的回归分析方法，通过阅读本章，读者将获得解决小数据样本下的一大类数据分析问题的能力。
第3章  经典的降维数据分析案例
本章介绍了粗糙集算法、因子分析、最优尺度分析、PCA降维算法等4种降维算法。本章是小数据分析和大数据分析交界的一章，这4种降维算法既可以为小数据分析服务，也可以为大数据分析服务。本章展示了降维分析与相关分析、回归分析的关联，加深了读者对小数据分析的理解，并为读者打开了大数据分析的大门。
第4章  经典的模式识别案例
本章感兴趣的问题是模式识别问题。模式识别算法研究的是如何让机器像人一样认识世界，它运用了较多的数学知识，并借助编程方法来实现。图像分析、遗传算法、决策树、K均值是本章关心的主题，本章选取了与数据分析关系最密切的案例，旨在使读者了解模式识别与数据分析的区别与联系。
第5章  经典的机器学习案例
本章关心的内容是机器学习，机器学习学科致力于让机器拥有和人类一样的思考能力。通过阅读本章的语义搜索、顺序分析、文本分析、协同过滤4个算法，读者将发现机器学习更多的是从机器的角度来思考问题，这要求读者拥有更深入的编程思维方式，以便于更好地实现机器学习算法。
第6章  经典的深度学习案例
本章是对上一章的延伸，介绍了支持向量机、两种神经网络和RBM算法。深度学习是一个很大的命题，本章仅选取了与数据分析最相关的部分。另外，除向读者介绍4种深度学习算法以外，还向读者指明了机器学习未来的发展方向，这将同样影响到数据分析未来的发展。

第7章  经典的数据挖掘案例
本章介绍了判别分析、购物篮分析、马尔可夫链、AdaBoost元4种算法，实质上是对以上6章的查漏补缺。大数据时代加速了各个学科的融合，数据科学家借鉴了不同学科知识后创造出的数据分析算法也就具有了多种学科的特质。本章将这些“混血”算法集合起来，向读者展示了数据分析最多变的一面。
第8章  经典的商业智能分析案例
本章是对数据分析的升华和总结，在真正的数据分析项目中，数据分析师总是会运用多种数据分析方法来构建模型，本章所介绍的案例就是这样运用多种方法构建模型的例子。同时，本章还进一步辨析了数据分析和数据挖掘的异同，并隐含了作者对所有读者的寄语，读完本章后，读者就能对大数据时代下的数据分析有一个全面深入的认识了。
?本书读者对象
? 刚刚入行的数据分析人员；
? 统计学、管理学、金融学、计算机技术与科学等专业的学生；
? 想要提高数据分析能力的数据分析师；
? 希望转行做数据分析的从业人员；
? 想要增加对数据分析的了解的主管人员；
? 其他对数据分析感兴趣的读者。"

   相关推荐   

—  没有更多了  —

店铺评价
消息 首页 搜索

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP