大數據分析：方法與應用（附光盤(pán)）/應用統計學(xué)系列教材簡(jiǎn)介，目錄書(shū)摘

編輯推薦:

內容簡(jiǎn)介:　　《大數據分析：方法與應用/應用統計學(xué)系列教材》介紹數據挖掘、統計學(xué)習和模式識別中與大數據分析相關(guān)的理論、方法及工具。理論學(xué)習的目標是使學(xué)生掌握復雜數據的分析與建模；方法學(xué)習的目標是使學(xué)生能夠按照實(shí)證研究的規范和數據挖掘的步驟進(jìn)行大數據研發(fā)，工具學(xué)習的目標是使學(xué)生熟練掌握一種數據分析的語(yǔ)言?！洞髷祿治觯悍椒ㄅc應用/應用統計學(xué)系列教材》內容由10章構成：大數據分析概述，數據挖掘流程，有指導的學(xué)習，無(wú)指導的學(xué)習，貝葉斯分類(lèi)和因果學(xué)習，高維回歸及變量選擇，圖模型，客戶(hù)關(guān)系管理、社會(huì )網(wǎng)絡(luò )分析、自然語(yǔ)言模型和文本挖掘。

作者簡(jiǎn)介:

目錄:第1章 大數據分析概述
1．1 大數據概述
1．1．1 什么是大數據
1．1．2 數據、信息與認知
1．1．3 數據管理與數據庫
1．1．4 數據倉庫
1．1．5 數據挖掘的內涵和基本特征
1．2 數據挖掘的產(chǎn)生與功能
1．2．1 數據挖掘的歷史
1．2．2 數據挖掘的功能
1．3 數據挖掘與相關(guān)領(lǐng)域之間的關(guān)系
1．3．1 數據挖掘與機器學(xué)習
1．3．2 數據挖掘與數據倉庫
1．3．3 數據挖掘與統計學(xué)
1．3．4 數據挖掘與智能決策
1．3．5 數據挖掘與云計算
1．4 大數據研究方法
1．5 討論題目
1．6 推薦閱讀

第2章 數據挖掘流程
2．1 數據挖掘流程概述
2．1．1 問(wèn)題識別
2．1．2 數據理解
2．1．3 數據準備
2．1．4 建立模型
2．1．5 模型評價(jià)
2．1．6 部署應用
2．2 離群點(diǎn)發(fā)現
2．2．1 基于統計的離群點(diǎn)檢測
2．2．2 基于距離的離群點(diǎn)檢測
2．2．3 局部離群點(diǎn)算法
2．3 不平衡數據級聯(lián)算法
2．4 討論題目
2．5 推薦閱讀

第3章 有指導的學(xué)習
3．1 有指導的學(xué)習概述
3．2 k-近鄰
3．3 決策樹(shù)
3．3．1 決策樹(shù)的基本概念
3．3．2 分類(lèi)回歸樹(shù)
3．3．3 決策樹(shù)的剪枝
3．4 提升方法
3．5 隨機森林樹(shù)
3．5．1 隨機森林樹(shù)算法的定義
3．5．2 如何確定隨機森林樹(shù)算法中樹(shù)的節點(diǎn)分裂變量
3．5．3 隨機森林樹(shù)的回歸算法
3．6 人工神經(jīng)網(wǎng)絡(luò )
3．6．1 人工神經(jīng)網(wǎng)絡(luò )基本概念
3．6．2 感知器算法
3．6．3 LMS算法
3．6．4 反向傳播算法
3．6．5 神經(jīng)網(wǎng)絡(luò )相關(guān)問(wèn)題討論
3．7 支持向量機
3．7．1 最大邊距分類(lèi)
3．7．2 支持向量機問(wèn)題的求解
3．7．3 支持向量機的核方法
3．8 多元自適應回歸樣條
3．9 討論題目
3．1 0推薦閱讀

第4章 無(wú)指導的學(xué)習
4．1 關(guān)聯(lián)規則
4．1．1 靜態(tài)關(guān)聯(lián)規則算法Apriori算法
4．1．2 動(dòng)態(tài)關(guān)聯(lián)規則算法Carma算法
4．1．3 序列規則挖掘算法
4．2 聚類(lèi)分析
4．2．1 聚類(lèi)分析的含義及作用
4．2．2 距離的定義
4．2．3 系統層次聚類(lèi)法
4．2．4 k-均值算法
4．2．5 BIRCH算法
4．2．6 基于密度的聚類(lèi)算法
4．3 基于預測強度的聚類(lèi)方法
4．3．1 預測強度
4．3．2 預測強度方法的應用
4．3．3 案例分析
4．4 聚類(lèi)問(wèn)題的變量選擇
4．4．1 高斯成對罰模型聚類(lèi)
4．4．2 各類(lèi)異方差成對罰模型聚類(lèi)
4．4．3 幾種聚類(lèi)變量選擇的比較
4．5 討論題目
4．6 推薦閱讀

第5章 貝葉斯分類(lèi)和因果學(xué)習
5．1 貝葉斯分類(lèi)
5．2 決策論與統計決策論
5．2．1 決策與風(fēng)險
5．2．2 統計決策
5．3 線(xiàn)性判別函數和二次判別函數
5．4 樸素貝葉斯分類(lèi)
5．5 貝葉斯網(wǎng)絡(luò )
5．5．1 基本概念
5．5．2 貝葉斯網(wǎng)絡(luò )的應用
5．5．3 貝葉斯網(wǎng)絡(luò )的構建
5．6 案例：貝葉斯網(wǎng)絡(luò )模型在信用卡違約概率建模中的應用
5．7 討論題目
5．8 推薦閱讀

第6章 高維回歸及變量選擇
6．1 線(xiàn)性回歸模型
6．2 模型選擇
6．2．1 模型選擇概述
6．2．2 偏差-方差分解
6．2．3 模型選擇準則
6．2．4 回歸變量選擇
6．3 廣義線(xiàn)性模型
6．3．1 二點(diǎn)分布回歸
6．3．2 指數族概率分布
6．3．3 廣義線(xiàn)性模型
6．3．4 模型估計
6．3．5 模型檢驗與診斷
6．4 高維回歸系數壓縮
6．4．1 嶺回歸
6．4．2 LASSO
6．4．3 Shooting算法
6．4．4 路徑算法
6．4．5 其他懲罰項及Oracle性質(zhì)
6．4．6 軟件實(shí)現
6．5 總結
6．6 討論題目
6．7 推薦閱讀

第7章 圖模型
7．1 圖模型基本概念和性質(zhì)
7．1．1 圖矩陣
7．1．2 概率圖模型概念和性質(zhì)
7．2 協(xié)方差選擇
7．2．1 用回歸估計圖模型
7．2．2 基于最大似然框架的方法
7．3 指數族圖模型
7．3．1 基本定義
7．3．2 參數估計及假設檢驗
7．4 譜聚類(lèi)
7．4．1 聚類(lèi)和圖劃分
7．4．2 譜聚類(lèi)
7．5 總結
7．6 討論題目
77推薦閱讀

第8章 客戶(hù)關(guān)系管理
8．1 協(xié)同推薦模型
8．1．1 基于鄰域的算法
8．1．2 矩陣分解模型
8．2 客戶(hù)價(jià)值隨機模型
8．2．1 客戶(hù)價(jià)值的定義
8．2．2 客戶(hù)價(jià)值分析模型
8．2．3 客戶(hù)購買(mǎi)狀態(tài)轉移矩陣
8．2．4 利潤矩陣
8．2．5 客戶(hù)價(jià)值的計算
8．3 案例：銀行卡消費客戶(hù)價(jià)值模型
8．4 推薦閱讀

第9章 社會(huì )網(wǎng)絡(luò )分析
9．1 社會(huì )網(wǎng)絡(luò )概述
9．1．1 社會(huì )網(wǎng)絡(luò )概念與發(fā)展
9．1．2 社會(huì )網(wǎng)絡(luò )的基本特征
9．1．3 社群挖掘算法
9．1．4 模型的評價(jià)
9．2 案例：社會(huì )網(wǎng)絡(luò )在學(xué)術(shù)機構合作關(guān)系上的研究
9．3 討論題目
9．4 推薦閱讀
附錄A本章R程序

第10章 自然語(yǔ)言模型和文本挖掘
10．1 向量空間模型
10．1．1 向量空間模型基本概念
10．1．2 特征選擇準則
10．2 統計語(yǔ)言模型
10．2．1 n-gram模型
10．2．2 主題n-元模型
10．3 LDA模型
10．4 案例：LDA模型的熱點(diǎn)新聞發(fā)現
10．5 推薦閱讀