正版 数据挖掘:你必须知道的32个经典案例 任昱衡[等]著 电子工业

目 录 br / br /br /br /第1章 经典的探索性数据分析案例 1br /1.1 探索性数据分析综述 2br /1.1.1 什么是探索性数据分析 2br /1.1.2 如何收集数据 4br /1.1.3 数据预处理技术 5br /1.2 数据巧收集——红牛的大数据营销案例 8br /1.2.1 状况百出的红牛企业 8br /1.2.2 红牛企业巧妙收集消费者数据 9br /1.2.3 数据收集小结 12br /1.3 数据可视化——数据新闻促使英军撤军 13br /1.3.1 维基解密带来的海量数据 13br /1.3.2 百花齐放的数据新闻 15br /1.3.3 数据可视化小结 18br /1.4 异常值分析——Facebook消灭钓鱼链接 19br /1.4.1 Facebook和广告商之间的拉锯战 20br /1.4.2 异常值分析指导排名算法工作 22br /1.4.3 异常值分析小结 26br /1.5 对比分析——TrueCar指导购物者寻找算的车价 27br /1.5.1 火中取栗的TrueCar网站 28br /1.5.2 数据对比赢得消费者信赖 29br /1.5.3 对比分析小结 32br /第2章 经典的相关分析与回归分析案例 35br /2.1 相关回归综述 36br /2.1.1 相关回归简介 36br /2.1.2 相关性分析的发展介绍 38br /2.1.3 回归分析的发展介绍 39br /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 40br /2.2.1 简约而不简单的消防检测系统 40br /2.2.2 使用相关分析洞察60个变量的关系 42br /2.2.3 相关分析小结 45br /2.3 时间序列分析——人寿保险的可提费用预测 47br /2.3.1 人寿保险公司和可提费用 47br /2.3.2 使用4种时间序列回归预测模型解决问题 49br /2.3.3 时间序列分析小结 52br /2.4 线性回归分析——梅西百货公司的12项大数据策略 54br /2.4.1 从“一亿豪赌”说起的商困境 54br /2.4.2 SAS公司帮助梅西百货构建模型 56br /2.4.3 线性回归分析小结 59br /2.5 Logistic回归分析——大面积流感爆发的预测分析 62br /2.5.1 究竟谁才是流感预测算法 62br /2.5.2 向Logistic算法中引入更多变量 64br /2.5.3 Logistic回归分析小结 67br /第3章 经典的降维数据分析案例 69br /3.1 降维分析算法综述 70br /3.1.1 为什么要使用降维算法 70br /3.1.2 线性降维算法 72br /3.1.3 非线性降维算法 73br /3.2 粗糙集算法——协助希腊工业发展银行制定信贷政策 74br /3.2.1 银行信贷政策的制定原则 75br /3.2.2 粗糙集算法的原理和应用 76br /3.2.3 粗糙集算法小结 80br /3.3 因子分析——基于李克特量表的应聘评价法 82br /3.3.1 源于智力测试的因子分析 82br /3.3.2 使用因子分析解构问卷 84br /3.3.3 因子分析小结 87br /3.4 尺度分析——直观评估消费者倾向的分析方法 89br /3.4.1 市场调查问题催生的尺度分析 89br /3.4.2 6种经典的尺度分析解读方法 91br /3.4.3 尺度分析小结 95br /3.5 PCA降维算法——智能人脸识别的应用与拓展 97br /3.5.1 刷脸的时代来了 97br /3.5.2 使用PCA算法完成降维工作 99br /3.5.3 PCA算法小结 102br /第4章 经典的模式识别案例 105br /4.1 模式识别综述 106br /4.1.1 模式识别简介 106br /4.1.2 模式识别的发展脉络 107br /4.1.3 模式识别应用简介 110br /4.2 图像分析——谷歌的超前自动驾驶技术 111br /4.2.1 以安全的名义呼吁自动驾驶技术 111br /4.2.2 快速成熟的无人驾驶技术 113br /4.2.3 图像分析小结 116br /4.3 遗传算法——经典的人力资源优化问题 118br /4.3.1 使用有限资源实现利益化 118br /4.3.2 遗传算法的计算过程 120br /4.3.3 遗传算法小结 123br /4.4 决策树分析——“沸腾时刻”准确判断用户健康水平 124br /4.4.1 打造我国的健身平台 124br /4.4.2 信息增益和决策树 126br /4.4.3 决策树小结 129br /4.5 K均值聚类分析——HSE24通过为客户分类降低退货率 131br /4.5.1 在电子商务市场快速扩张的HSE24 131br /4.5.2 使用K均值聚类为客户分类 133br /4.5.3 K均值聚类小结 136br /第5章 经典的机器学习案例 139br /5.1 机器学习综述 140br /5.1.1 机器学习简介 140br /5.1.2 机器学习的主流发展和应用 142br /5.2 语义搜索——沃尔玛搜索引擎提升15%销售额 143br /5.2.1 注重用户体验的沃尔玛公司 144br /5.2.2 语义搜索引擎的底层技术和原理 145br /5.2.3 语义搜索技术小结 148br /5.3 顺序分析——搜狗输入法的智能纠错系统 150br /5.3.1 搜狗输入法的词库和智能算法 151br /5.3.2 频繁树模式和顺序分析算法 153br /5.3.3 顺序分析小结 156br /5.4 文本分析——经典的垃圾邮件过滤系统 158br /5.4.1 大数据时代需要文本分析工作 158br /5.4.2 垃圾邮件过滤中的分词技术和词集模型 160br /5.4.3 文本分析小结 163br /5.5 协同过滤——构建个性化系统的经典算法 164br /5.5.1 协同过滤算法为什么这么流行 165br /5.5.2 基于用户和基于产品的协同过滤 166br /5.5.3 协同过滤算法小结 169br /第6章 经典的深度学习案例 171br /6.1 深度学习综述 172br /6.1.1 深度学习简介 172br /6.1.2 深度学习在图像处理方面的应用 174br /6.1.3 深度学习在自然语言处理方面的应用 176br /6.2 支持向量机——乔布斯利用大数据对抗 178br /6.2.1 乔布斯和胰腺癌的抗争 178br /6.2.2 医学统计学和支持向量机 180br /6.2.3 支持向量机小结 184br /6.3 感知器神经网络——的房产价格预测算法 185br /6.3.1 如何预测房价 186br /6.3.2 多层感知器和误差曲面 188br /6.3.3 感知器神经网络小结 191br /6.4 自组织神经网络——如何又快又好地解决旅行商问题 193br /6.4.1 路径问题的典型模式和解决方法 193br /6.4.2 自组织神经网络的拓扑结构和权值调整 194br /6.4.3 自组织神经网络小结 198br /6.5 RBM算法——为新闻报道智能分类 199br /6.5.1 新闻报道智能分类的难与易 199br /6.5.2 RBM算法的学习目标和学习方法 201br /6.5.3 RBM算法小结 204br / br /第7章 经典的数据挖掘案例 207br /7.1 数据挖掘综述 208br /7.1.1 什么是数据挖掘 208br /7.1.2 数据挖掘的主要应用领域 209br /7.1.3 数据挖掘模型的评价指标 211br /7.2 判别分析——美国运通构建客户流失预测模型 213br /7.2.1 美国运通公司的旧日辉煌 213br /7.2.2 判别分析的假设条件和判别函数 214br /7.2.3 判别分析小结 218br /7.3 购物篮分析——找出业的商品组合 220br /7.3.1 名动天下的“啤酒和尿布”案例 220br /7.3.2 购物篮分析的频繁模式 222br /7.3.3 购物篮分析小结 225br /7.4 马尔可夫链——准确预测客运市场占有率 227br /7.4.1 复杂的客运市场系统 227br /7.4.2 概率转移矩阵的求解方法 229br /7.4.3 马尔可夫链小结 232br /7.5 AdaBoost元算法——有效侦测欺诈交易的复合算法 233br /7.5.1 弱分类器和强分类器之争 233br /7.5.2 AdaBoost元算法的分类器构建方法 235br /7.5.3 AdaBoost元算法小结 238br /第8章 经典的商业智能分析案例 241br /8.1 商业智能分析综述 242br /8.1.1 什么是商业智能 242br /8.1.2 商业智能的主流发展与应用 244br / br /8.2 KXEN分析软件——构建欧洲博彩业下注预测平台 246br /8.2.1 现代博彩业背后的黑手 247br /8.2.2 集体智慧和庄家赔率的联系 248br /8.2.3 KXEN软件小结 252br /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 253br /8.3.1 数据废气和黑暗数据的异同 254br /8.3.2 论如何充分利用物流公司数据 255br /8.3.3 数据废气再利用小结 258br /8.4 必应预测——使用往期信息预测自然灾害 259br /8.4.1 预测自然灾害的必要性 260br /8.4.2 微软大数据预测的优与劣 261br /8.4.3 必应预测小结 263br /8.5 点球成金——助力NBA大数据分析的多种神秘软件 265br /8.5.1 NBA的有效球员数据 265br /8.5.2 有关点球成金的靠谱方法 268br /8.5.3 点球成金小结 270

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。

span id="content-all"/span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。