發(fā)現(xiàn)數(shù)據(jù)之美：數(shù)據(jù)分析原理與實踐

定　價：￥75.00

作　者：	彭鴻濤，聶磊著
出版社：	電子工業(yè)出版社
叢編項：	大數(shù)據(jù)叢書
標　簽：	暫缺

購買這本書可以去

ISBN：	9787121235580	出版時間：	2014-08-01	包裝：	平裝
開本：	其他	頁數(shù)：	332	字數(shù)：

內(nèi)容簡介

　　大數(shù)據(jù)時代已經(jīng)來臨，這將引起深刻的行業(yè)變革。但是，大數(shù)據(jù)的真意在于數(shù)據(jù)分析，即從繁多的數(shù)據(jù)中找出洞見，并將其應(yīng)用于實際決策中，以產(chǎn)生更明智的決策。這是一個看起來簡單、做起來較難的事情?！栋l(fā)現(xiàn)數(shù)據(jù)之美：數(shù)據(jù)分析原理與實踐》從一個自底向上的角度，全面地闡述了數(shù)據(jù)分析所涉及的知識和技術(shù)，對于經(jīng)典算法和工具的介紹也不止于泛泛而談，而是加入了作者的經(jīng)驗和理解。所謂自底向上的角度，即從數(shù)據(jù)分析實踐開始時所需要的數(shù)據(jù)準備、數(shù)據(jù)探查、數(shù)據(jù)再處理等，到經(jīng)典的統(tǒng)計分析和數(shù)據(jù)挖掘算法及應(yīng)用，還講述了模型的部署，優(yōu)化技術(shù)的引入，最終到?jīng)Q策自動化?！栋l(fā)現(xiàn)數(shù)據(jù)之美：數(shù)據(jù)分析原理與實踐》對企業(yè)管理者、數(shù)據(jù)分析從業(yè)者及高校的學(xué)生都有參考意義。管理者能看到一個較全面的數(shù)據(jù)分析的闡述，明確自身的需求；從業(yè)者能看到經(jīng)驗的總結(jié)及經(jīng)典工具的使用；高校學(xué)生能看到數(shù)據(jù)分析所涉及的知識，對數(shù)據(jù)分析有一個全面的認識。

作者簡介

　　彭鴻濤，畢業(yè)于西安交通大學(xué)軟件學(xué)院，自2008年加入IBMSPSS部門以來，一直擔任SPSSAnalyticalDecisionManagement架構(gòu)師和技術(shù)主管。由于工作需要，對數(shù)理統(tǒng)計和數(shù)據(jù)挖掘有長期的使用和研究，對SPSS的產(chǎn)品及解決方案有深入理解，特別擅長于將具體的數(shù)據(jù)分析技術(shù)應(yīng)用到實際的商業(yè)問題解決中。除此之外，對圖像分析也有較深入的實踐和應(yīng)用。目前，正致力于大數(shù)據(jù)的應(yīng)用。聶磊，瑞典查爾姆斯理工大學(xué)應(yīng)用信息技術(shù)和可靠計算機系統(tǒng)雙碩士，PMP。2008年加入IBMSPSS部門，現(xiàn)為IBMAnalyticalDecisionManagement團隊主管及資深開發(fā)人員，從事數(shù)據(jù)挖掘和企業(yè)級業(yè)務(wù)分析與優(yōu)化解決方案等產(chǎn)品的研發(fā)、部署實施和集成架構(gòu)咨詢工作，對數(shù)據(jù)挖掘和決策支持有深刻的認識和理解，對SPSS的產(chǎn)品及解決方案有深入的研究。目前專注于大數(shù)據(jù)和云計算等技術(shù)的研究。

圖書目錄

目錄
第1章業(yè)務(wù)分析是一個蓬勃發(fā)展的方向 1
1．1 業(yè)務(wù)分析是什么 2
1．2 業(yè)務(wù)分析的應(yīng)用現(xiàn)狀 3
1．3 如何應(yīng)用業(yè)務(wù)分析 5
1．4 大數(shù)據(jù)與業(yè)務(wù)分析 8
1．5 我們還在等什么 9
第2章開始我們的旅程――從數(shù)據(jù)談起 10
2．1 我們討論的數(shù)據(jù)結(jié)構(gòu) 11
2．1．1 行（Row）是什么 12
2．1．2 列（Column）是什么 13
2．1．3 多少行數(shù)據(jù)才合適 15
2．1．4 我們需要什么樣的列 16
2．2 Statistics和Modeler的基本知識 18
2．3 數(shù)據(jù)導(dǎo)入（Loading Data） 24
2．4 數(shù)據(jù)探查（Data Exploring） 27
2．4．1 正態(tài)分布（Normal Distribution） 28
2．4．2 數(shù)據(jù)探查的常見統(tǒng)計量 30
2．4．3 數(shù)據(jù)可視化 35
2．5 本章小結(jié) 47
第3章在分析之前，還需要數(shù)據(jù)預(yù)處理 48
3．1 數(shù)據(jù)的問題 49
3．2 數(shù)據(jù)校驗 50
3．2．1 驗證規(guī)則 50
3．2．2 驗證數(shù)據(jù) 53
3．2．3 數(shù)據(jù)審計（Data Audit） 57
3．2．4 識別異常數(shù)據(jù) 60
3．3 數(shù)據(jù)集成（Data Integration） 65
3．3．1 在Statistics中進行數(shù)據(jù)集成 66
3．3．2 在Modeler中進行數(shù)據(jù)集成 68
3．4 數(shù)據(jù)轉(zhuǎn)換（Data Transformation） 73
3．4．1 分箱（Binning） 73
3．4．2 數(shù)據(jù)調(diào)整（Data Rescale） 78
3．4．3 數(shù)據(jù)重新編碼（Recode） 79
3．5 自動數(shù)據(jù)準備 83
3．5．1 Statistics中的自動數(shù)據(jù)準備 83
3．5．2 Modeler中的自動數(shù)據(jù)準備 88
3．6 本章小結(jié) 89
第4章經(jīng)典分析――統(tǒng)計學(xué)的魅力 91
4．1 隨機變量及分布 92
4．2 數(shù)理統(tǒng)計導(dǎo)引 94
4．3 參數(shù)估計 96
4．3．1 點估計 96
4．3．2 區(qū)間估計 97
4．4 假設(shè)檢驗 98
4．4．1 正態(tài)分布檢驗和t檢驗 101
4．4．2 非參數(shù)檢驗 108
4．5 相關(guān)分析 111
4．6 方差分析 113
4．7 回歸分析 114
4．7．1 線性回歸分析 114
4．7．2 自動化線性回歸分析 120
4．7．3 廣義線性模型 122
4．7．4 廣義線性混合模型（Generalized Linear Mixed Mode，GLMM） 128
4．8 本章小結(jié) 135
第5章我想預(yù)測未來 136
5．1 數(shù)據(jù)挖掘的技術(shù)分類 136
5．1．1 有監(jiān)督的建模技術(shù) 137
5．1．2 無監(jiān)督的建模技術(shù) 138
5．1．3 Feature Selection對于分類的意義 139
5．1．4 查看建模的結(jié)果 139
5．2 決策樹 140
5．2．1 C5．0算法 141
5．2．2 分類和回歸樹 145
5．2．3 卡方自動交互檢測法（CHAID） 147
5．2．4 快速、無偏、高效的統(tǒng)計樹（QUEST） 148
5．2．5 交互式的決策樹構(gòu)建方式 149
5．3 決策表 150
5．3．1 決策表算法的設(shè)置 151
5．3．2 交互式?jīng)Q策表的生成方式 153
5．4 貝葉斯網(wǎng)絡(luò) 154
5．4．1 一些基本概念 154
5．4．2 IBM SPSS的做法 156
5．5 神經(jīng)網(wǎng)絡(luò)（Neural Networks） 158
5．5．1 神經(jīng)網(wǎng)絡(luò)是什么 158
5．5．2 SPSS神經(jīng)網(wǎng)絡(luò)算法 160
5．6 支持向量機（Support Vector Machine） 162
5．6．1 什么是線性分類器 162
5．6．2 Modeler中的支持向量機 163
5．7 最近相鄰（Nearest Neighbor） 165
5．8 我該選用哪種算法 167
5．9 如何評價預(yù)測結(jié)果 170
5．9．1 基本指標 170
5．9．2 Gains 171
5．9．3 Lift 173
5．9．4 Response 175
5．9．5 Profit 175
5．9．6 ROI 177
5．10 本章小結(jié) 177
第6章我想發(fā)現(xiàn)聚類（Cluster） 179
6．1 聚類技術(shù) 180
6．2 分層聚類 181
6．3 K-means 184
6．4 TwoStep 188
6．4．1 預(yù)聚類 189
6．4．2 離群值處理 189
6．4．3 聚類 189
6．4．4 TwoStep的使用 190
6．5 Kohonen network 192
6．6 我怎么知道聚類結(jié)果是好的 194
6．6．1 考察聚類的數(shù)量和每個聚類中的記錄數(shù) 194
6．6．2 考察聚類內(nèi)的特征 195
6．6．3 考察聚類間的特征 195
6．6．4 一個綜合的考察指標Silhouette 196
6．7 自動聚類 197
6．8 理解聚類的結(jié)果 198
6．9 一個聚類分析應(yīng)用的例子 201
6．10 本章小結(jié) 202
第7章周而復(fù)始的規(guī)律――時間序列分析 203
7．1 時間序列 204
7．1．1 時間序列的類型 204
7．1．2 時間序列的特征 205
7．2 指數(shù)平滑模型 206
7．2．1 簡單指數(shù)平滑法 206
7．2．2 帶有趨勢調(diào)整的指數(shù)平滑法（霍爾特指數(shù)平滑法） 208
7．2．3 帶有阻尼趨勢的指數(shù)平滑法 208
7．2．4 簡單季節(jié)指數(shù)平滑法 209
7．2．5 帶有趨勢和季節(jié)調(diào)整的指數(shù)平滑法（溫特斯指數(shù)平滑法） 209
7．2．6 指數(shù)平滑法的初始化 210
7．2．7 去除時間序列的趨勢和季節(jié)性因素 211
7．3 自回歸模型 212
7．3．1 自回歸模型 212
7．3．2 移動平均模型 213
7．3．3 自回歸移動平均模型（ARMA） 213
7．3．4 差分自回歸移動平均模型 214
7．4 SPSS產(chǎn)品中的時間序列模型 214
7．4．1 Statistics中的時間序列模型 214
7．4．2 Modeler中的時間序列模型 235
7．5 時間序列分析的評價 238
7．6 本章小結(jié) 239
第8章你的行為完全可能被猜中――關(guān)聯(lián)規(guī)則分析 240
8．1 基本概念 241
8．2 Apriori算法 245
8．2．1 Apriori算法工作步驟 245
8．2．2 Apriori算法的評估方法 246
8．2．3 Apriori節(jié)點 247
8．3 CARMA算法 249
8．3．1 CARMA算法的工作步驟 249
8．3．2 CARMA節(jié)點 251
8．4 序列算法 252
8．5 關(guān)聯(lián)規(guī)則的評價 255
8．6 典型應(yīng)用案例 256
第9章我們還需要優(yōu)化技術(shù)的幫忙 257
9．1 什么是優(yōu)化技術(shù) 258
9．2 優(yōu)化問題的分類 259
9．2．1 線性規(guī)劃 260
9．2．2 整數(shù)規(guī)劃 261
9．2．3 多目標規(guī)劃 262
9．2．4 動態(tài)規(guī)劃 262
9．3 IBM ILOG Optimization介紹 263
9．4 本章小結(jié) 265
第10章有關(guān)方法論的問題 266
10．1 為什么我們要討論方法論 267
10．2 CRISP-DM 267
10．2．1 CRISP-DM方法學(xué) 268
10．2．2 CRISP-DM參考模型 270
10．3 IBM SPSS CaDS 273
10．3．1 Repository 273
10．3．2 Job 274
10．3．3 Model Refresh and Champion Challenger 274
10．3．4 Scoring 274
10．4 模型的部署不是終點 275
第11章一個時髦的領(lǐng)域――決策管理 276
11．1 決策管理系統(tǒng) 276
11．1．1 什么是決策 277
11．1．2 什么是決策管理系統(tǒng) 279
11．1．3 決策支持與決策管理的比較 281
11．2 構(gòu)建決策管理系統(tǒng) 282
11．2．1 構(gòu)建決策支持系統(tǒng)的原則 282
11．2．2 合適的決策 283
11．2．3 如何找到合適的決策 285
11．2．4 怎樣在決策管理系統(tǒng)中定義決策 287
11．2．5 決策管理系統(tǒng)中的優(yōu)化技術(shù) 292
11．2．6 決策影響的評估 294
11．2．7 監(jiān)控決策 297
11．2．8 決策的持續(xù)改進 298
11．2．9 構(gòu)建和部署決策服務(wù) 299
11．2．10 實施決策管理的一些要求 300
11．3 IBM ADM 301
11．3．1 ADM是SPSS數(shù)據(jù)分析能力的窗口 301
11．3．2 ADM的著眼點是將數(shù)據(jù)分析結(jié)果轉(zhuǎn)化為決策 302
11．3．3 ADM是一個可以配置的決策服務(wù)平臺 303
11．3．4 ADM的工作步驟 306
11．4 本章小結(jié) 308
后記為未來做好準備 309