91人人干,91精品资源视频在线播放

內(nèi)容簡介

　　本書介紹數(shù)據(jù)分析的統(tǒng)計基礎(chǔ)、種類劃分，并列舉大量實例以說明數(shù)據(jù)分析方法和算法。內(nèi)容主要分為4部分，第1部分為第1章，介紹一些概念，簡單描述數(shù)據(jù)分析方法和一些實例; 第2部分包括第2~7 章，介紹描述性分析和數(shù)據(jù)預(yù)處理的主要方法，包括描述統(tǒng)計、多元描述分析、聚類以及頻繁模式挖掘等;第3部分包括第8~12章，介紹預(yù)測性分析的主要方法，其中包括多種回歸算法、二元回歸、分類的性能測量以及基于概率和距離測量的方法，以及決策樹、人工神經(jīng)網(wǎng)絡(luò)和支持向量機等較為先進的方法; 第4部分為第13章，利用描述和預(yù)測這兩種方法，簡單討論文本、網(wǎng)頁以及社交媒體的應(yīng)用。

作者簡介

　　[葡]喬·門德斯·莫雷拉（João Mendes Moreira）博士，葡萄牙波爾圖大學(xué)（University of Porto）工程系教授，葡萄牙波爾圖人工智能與決策支持實驗室（LIAAD-INESC TEC， Porto）研究員。 [巴]安德烈·卡瓦略（André de Carvalho）博士，巴西圣保羅大學(xué)（São Paulo）數(shù)學(xué)和計算機科學(xué)研究所教授。 [匈]托馬斯·霍瓦斯（Tomá？？ Horváth）博士，匈牙利布達佩斯羅蘭大學(xué)（Eötvös Loránd University ）助理教授，與斯洛伐克科希策帕沃爾·約瑟夫·沙法利克大學(xué)（Pavol Jozef ？？afárik University）長期進行科研合作。

圖書目錄

第1部分背景介紹
第1章我們可以用數(shù)據(jù)做什么
1.1大數(shù)據(jù)和數(shù)據(jù)科學(xué)
1.2大數(shù)據(jù)架構(gòu)
1.3小數(shù)據(jù)
1.4什么是數(shù)據(jù)
1.5數(shù)據(jù)分析簡單分類
1.6數(shù)據(jù)使用實例
1.6.1美國威斯康星州的乳腺癌數(shù)據(jù)
1.6.2波蘭企業(yè)破產(chǎn)數(shù)據(jù)
1.7一個數(shù)據(jù)分析項目
1.7.1數(shù)據(jù)分析方法論簡史
1.7.2KDD過程
1.7.3CRISPDM方法
1.8本書的組織結(jié)構(gòu)
1.9本書面向的對象
第2部分理解數(shù) 據(jù)
第2章描述統(tǒng)計學(xué)
2.1尺度類型
2.2描述單元分析
2.2.1單元頻數(shù)
2.2.2單元數(shù)據(jù)可視化
2.2.3單元統(tǒng)計
2.2.4常見的單元概率分布
2.3描述性雙元分析
2.3.1兩個定量屬性
2.3.2兩個定性屬性，其中至少有一個是名義屬性
2.3.3兩個序數(shù)屬性
2.4本章小結(jié)
2.5練習(xí)
第3章描述性多元分析
3.1多元頻數(shù)
3.2多元數(shù)據(jù)可視化
3.3多元統(tǒng)計
3.3.1位置多元統(tǒng)計
3.3.2離散多元統(tǒng)計
3.4信息圖和詞云
3.4.1信息圖
3.4.2詞云
3.5本章小結(jié)
3.6練習(xí)
第4章數(shù)據(jù)質(zhì)量和預(yù)處理
4.1數(shù)據(jù)質(zhì)量
4.1.1缺失值
4.1.2冗余數(shù)據(jù)
4.1.3不一致數(shù)據(jù)
4.1.4噪聲數(shù)據(jù)
4.1.5離群值
4.2轉(zhuǎn)換為不同的尺度類型
4.2.1名義尺度轉(zhuǎn)換為相對尺度
4.2.2序數(shù)尺度轉(zhuǎn)換為相對或絕對尺度
4.2.3相對或絕對尺度轉(zhuǎn)換為序數(shù)或名義尺度
4.3轉(zhuǎn)換為不同尺度
4.4數(shù)據(jù)轉(zhuǎn)換
4.5維度降低
4.5.1屬性聚合
4.5.2屬性選擇
4.6本章小結(jié)
4.7練習(xí)
第5章聚類
5.1距離度量
5.1.1常見屬性類型值之間的差異
5.1.2定量屬性對象的距離度量
5.1.3非常規(guī)屬性的距離度量
5.2聚類驗證
5.3聚類技術(shù)
5.3.1K均值
5.3.2DBSCAN
5.3.3聚合層次聚類技術(shù)
5.4本章小結(jié)
5.5練習(xí)
第6章頻繁模式挖掘
6.1頻繁項集
6.1.1設(shè)置最小支持度閾值
6.1.2Apriori——基于連接的方法
6.1.3Eclat算法
6.1.4FPGrowth
6.1.5最大頻繁項集和閉合頻繁項集
6.2關(guān)聯(lián)規(guī)則
6.3支持度與置信度的意義
6.3.1交叉支持度模式
6.3.2提升度
6.3.3辛普森悖論
6.4其他模式
6.4.1序列模式
6.4.2頻繁序列挖掘
6.4.3閉合和最大序列
6.5本章小結(jié)
6.6練習(xí)
第7章描述性分析的備忘單和項目
7.1描述性分析備忘單
7.1.1數(shù)據(jù)總結(jié)
7.1.2聚類方法
7.1.3頻繁模式挖掘
7.2描述性分析項目
7.2.1理解業(yè)務(wù)
7.2.2理解數(shù)據(jù)
7.2.3準備數(shù)據(jù)
7.2.4建模
7.2.5評價
7.2.6部署
第3部分預(yù) 測未知
第8章回歸
8.1預(yù)測性能評估
8.1.1泛化
8.1.2模型驗證
8.1.3回歸的預(yù)測性能度量
8.2尋找模型參數(shù)
8.2.1線性回歸
8.2.2偏差方差權(quán)衡
8.2.3收縮方法
8.2.4使用屬性的線性組合方法
8.3技術(shù)選型
8.4本章小結(jié)
8.5練習(xí)
第9章分類
9.1二元分類
9.2分類的預(yù)測性能度量
9.3基于距離的學(xué)習(xí)算法
9.3.1k近鄰算法
9.3.2基于案例的推理
9.4概率分類算法
9.4.1邏輯回歸算法
9.4.2樸素貝葉斯（NB）算法
9.5本章小結(jié)
9.6練習(xí)
第10章其他預(yù)測方法
10.1基于搜索的算法
10.1.1決策樹歸納算法
10.1.2回歸決策樹
10.2基于優(yōu)化的算法
10.2.1人工神經(jīng)網(wǎng)絡(luò)
10.2.2支持向量機
10.3本章小結(jié)
10.4練習(xí)
第11章高級預(yù)測話題
11.1集成學(xué)習(xí)
11.1.1Bagging
11.1.2隨機森林
11.1.3AdaBoost
11.2算法的偏差
11.3非二元分類任務(wù)
11.3.1單類分類
11.3.2多類分類
11.3.3排序分類
11.3.4多標(biāo)簽分類
11.3.5層次分類
11.4高級預(yù)測數(shù)據(jù)準備技術(shù)
11.4.1數(shù)據(jù)分類不均衡
11.4.2不完全目標(biāo)標(biāo)記
11.5具有監(jiān)督可解釋技術(shù)的描述和預(yù)測
11.6練習(xí)
第12章預(yù)測性分析的備忘單和項目
12.1預(yù)測性分析備忘單
12.2預(yù)測性分析項目
12.2.1業(yè)務(wù)理解
12.2.2數(shù)據(jù)理解
12.2.3數(shù)據(jù)準備
12.2.4建模
12.2.5評估
12.2.6部署
第4部分常見的數(shù)據(jù)分析應(yīng)用
第13章文本、網(wǎng)絡(luò)和社交媒體應(yīng)用
13.1文本挖掘
13.1.1數(shù)據(jù)采集
13.1.2特征提取
13.1.3剩下的階段
13.1.4趨勢
13.2推薦系統(tǒng)
13.2.1反饋
13.2.2推薦任務(wù)
13.2.3推薦技術(shù)
13.2.4小結(jié)
13.3社交網(wǎng)絡(luò)分析
13.3.1社交網(wǎng)絡(luò)的表示
13.3.2節(jié)點的基本屬性
13.3.3網(wǎng)絡(luò)的基本和結(jié)構(gòu)屬性
13.3.4趨勢和小結(jié)
13.4練習(xí)
附錄A對CRISPDM方法的全面描述
參考文獻