大數(shù)據(jù)、數(shù)據(jù)挖掘與智慧運(yùn)營

定　價(jià)：￥99.00

作　者：	梁棟，張兆靜，彭木根著
出版社：	清華大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	>計(jì)算機(jī)/網(wǎng)絡(luò) >數(shù)據(jù)倉庫與數(shù)據(jù)挖掘 >數(shù)據(jù)庫

購買這本書可以去

ISBN：	9787302483373	出版時(shí)間：	2017-10-01	包裝：	平裝
開本：	16開	頁數(shù)：	403	字?jǐn)?shù)：

內(nèi)容簡介

　　本書系統(tǒng)地介紹了大數(shù)據(jù)挖掘的基本概念、經(jīng)典挖掘算法、挖掘工具和企業(yè)智慧運(yùn)營應(yīng)用案例。全書分為9章，內(nèi)容包括：大數(shù)據(jù)挖掘與智慧運(yùn)營的概念，數(shù)據(jù)預(yù)處理，數(shù)據(jù)挖掘中的四種主流算法：聚類分析、分類分析、回歸分析、關(guān)聯(lián)分析，增強(qiáng)型數(shù)據(jù)挖掘算法，數(shù)據(jù)挖掘在運(yùn)營商智慧運(yùn)營中的應(yīng)用案例，未來大數(shù)據(jù)挖掘的發(fā)展趨勢等。全書以運(yùn)用大數(shù)據(jù)挖掘方法提升企業(yè)運(yùn)營業(yè)績與效率為主線，從運(yùn)營商實(shí)際工作中選取了大量運(yùn)營和銷售案例，詳細(xì)講述了數(shù)據(jù)采集、挖掘建模、模型落地與精準(zhǔn)營銷的全部過程。書中大部分案例的代碼、軟件操作流程和微課視頻可以通過掃描本書封底的二維碼下載。本書主要面向運(yùn)營商及其他高科技企業(yè)員工、高等院校相關(guān)專業(yè)本科生和研究生，以及其他對數(shù)據(jù)挖掘與精準(zhǔn)營銷感興趣的讀者。

作者簡介

　　梁棟，博士畢業(yè)于北京郵電大學(xué)信號與系統(tǒng)專業(yè)，現(xiàn)任教于北京郵電大學(xué)，碩士研究生導(dǎo)師，曾主持和參加多項(xiàng)國家自然科學(xué)基金項(xiàng)目、國家863課題項(xiàng)目、國家973科技項(xiàng)目和多項(xiàng)省部級科研項(xiàng)目，主要研究方向?yàn)榇髷?shù)據(jù)、數(shù)據(jù)挖掘與智慧運(yùn)營，所帶領(lǐng)的研究團(tuán)隊(duì)在包括IEEE Internet of things Journal、IEEE International Conference on Data Mining等著名學(xué)術(shù)期刊和會議上發(fā)表高水平學(xué)術(shù)論文20多篇，并且長期與中國移動等運(yùn)營商企業(yè)進(jìn)行科技產(chǎn)業(yè)化合作，在大數(shù)據(jù)、數(shù)據(jù)挖掘技術(shù)運(yùn)用于企業(yè)智慧化運(yùn)營方面有著豐富的落地經(jīng)驗(yàn)。

圖書目錄

第1章大數(shù)據(jù)、數(shù)據(jù)挖掘與智慧運(yùn)營綜述1
1.1數(shù)據(jù)挖掘的發(fā)展史2
1.1.1數(shù)據(jù)挖掘的定義與起源2
1.1.2數(shù)據(jù)挖掘的早期發(fā)展3
1.1.3數(shù)據(jù)挖掘的算法前傳4
1.1.4數(shù)據(jù)挖掘的第一個(gè)里程碑8
1.1.5最近十年的發(fā)展與應(yīng)用11
1.2數(shù)據(jù)挖掘的主要流程與金字塔模型13
1.2.1數(shù)據(jù)挖掘的任務(wù)14
1.2.2數(shù)據(jù)挖掘的基本步驟16
1.2.3數(shù)據(jù)挖掘的架構(gòu)——云計(jì)算17
1.2.4“金字塔”模型20
1.3數(shù)據(jù)挖掘?qū)χ腔圻\(yùn)營的意義22
1.3.1“互聯(lián)網(wǎng)+”時(shí)代的來臨及其對運(yùn)營商的沖擊和挑戰(zhàn)22
1.3.2大數(shù)據(jù)時(shí)代的來臨及其對運(yùn)營商的挑戰(zhàn)和機(jī)遇24
1.3.3電信運(yùn)營商運(yùn)營發(fā)展面臨的主要瓶頸26
1.3.4電信運(yùn)營商發(fā)展的“三條曲線”27
1.3.5智慧運(yùn)營與大數(shù)據(jù)變現(xiàn)29
1.3.6數(shù)據(jù)挖掘?qū)τ谔嵘腔圻\(yùn)營效率的意義30
1.4大數(shù)據(jù)時(shí)代已經(jīng)來臨31
1.4.1大數(shù)據(jù)的定義31
1.4.2大數(shù)據(jù)的“4V”特征32
1.4.3結(jié)構(gòu)化數(shù)據(jù)與非結(jié)構(gòu)化數(shù)據(jù)33
1.5非結(jié)構(gòu)化數(shù)據(jù)挖掘的研究進(jìn)展34
1.5.1文本挖掘34
1.5.2模式識別36
1.5.3語音識別40
1.5.4視頻識別44
1.5.5其他非結(jié)構(gòu)化數(shù)據(jù)挖掘48
1.6數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、人工智能及云計(jì)算50
1.6.1機(jī)器學(xué)習(xí)51
1.6.2深度學(xué)習(xí)53
1.6.3人工智能55
1.6.4云計(jì)算56
1.7現(xiàn)有數(shù)據(jù)挖掘的主要分析軟件與系統(tǒng)61
1.7.1Hadoop61
1.7.2Storm63
1.7.3Spark65
1.7.4SPASS（SPSS）66
1.7.5SAS68
參考文獻(xiàn)70
第2章數(shù)據(jù)統(tǒng)計(jì)與數(shù)據(jù)預(yù)處理73
2.1數(shù)據(jù)屬性類型74
2.1.1數(shù)據(jù)屬性定義74
2.1.2離散屬性74
2.1.3連續(xù)屬性75
2.2數(shù)據(jù)的統(tǒng)計(jì)特性77
2.2.1中心趨勢度量77
2.2.2數(shù)據(jù)散布度量78
2.2.3數(shù)據(jù)相關(guān)性82
2.3數(shù)據(jù)預(yù)處理87
2.3.1數(shù)據(jù)預(yù)處理概述87
3.6基于網(wǎng)格的聚類：CLIQUE140
3.6.1基于網(wǎng)格的聚類算法概述140
3.6.2CLIQUE算法的基本原理141
3.6.3CLIQUE算法的優(yōu)勢與劣勢142
參考文獻(xiàn)143
第4章分類分析145
4.1分類分析概述146
4.2分類分析的評估148
4.3決策樹分析152
4.3.1決策樹算法的基本原理152
4.3.2CHAID決策樹160
4.3.3ID3決策樹167
4.3.4C4.5決策樹171
4.3.5CART決策樹175
4.3.6決策樹中的剪枝問題179
4.3.7決策樹在SPSS中的應(yīng)用180
4.4最近鄰分析（KNN）185
4.4.1KNN算法的基本原理185
4.4.2KNN算法流程186
4.4.3KNN算法的若干問題187
4.4.4KNN分類器的特征188
4.4.5KNN算法在SPSS中的應(yīng)用188
4.5貝葉斯分析191
4.5.1貝葉斯定理191
4.5.2樸素貝葉斯分類192
4.5.3貝葉斯網(wǎng)絡(luò)195
4.6神經(jīng)網(wǎng)絡(luò)199
4.6.1感知器200
4.6.2多重人工神經(jīng)網(wǎng)絡(luò)201
4.6.3人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)203
4.7支持向量機(jī)204
第6章關(guān)聯(lián)分析245
6.1關(guān)聯(lián)分析概述246
6.2關(guān)聯(lián)分析的評估指標(biāo)247
6.2.1支持度247
6.2.2置信度248
6.2.3算法復(fù)雜度248
6.3Apriori算法249
6.3.1頻繁項(xiàng)集的定義與產(chǎn)生249
6.3.2先驗(yàn)原理251
6.3.3基于支持度的計(jì)數(shù)與剪枝252
6.3.4候選項(xiàng)集生成253
6.3.5基于置信度的剪枝259
6.3.6Apriori算法規(guī)則生成259
6.4FP-tree算法261
6.4.1頻繁模式樹261
6.4.2FP-tree算法頻繁項(xiàng)集的產(chǎn)生263
6.4.3FP-tree算法規(guī)則生成263
6.4.4算法性能對比與評估264
6.5SPSSModeler關(guān)聯(lián)分析實(shí)例265
參考文獻(xiàn)269
第7章增強(qiáng)型數(shù)據(jù)挖掘算法271
7.1增強(qiáng)型數(shù)據(jù)挖掘算法概述272
7.1.1組合方法的優(yōu)勢272
7.1.2構(gòu)建組合分類器的方法272
7.2隨機(jī)森林273
7.2.1隨機(jī)森林的原理273
7.2.2隨機(jī)森林的優(yōu)缺點(diǎn)276
7.2.3隨機(jī)森林的泛化誤差276
7.2.4輸入特征的選擇方法277
7.3Bagging算法277