編輯推薦:

內(nèi)容簡介:　　《大數(shù)據(jù)分析：方法與應(yīng)用/應(yīng)用統(tǒng)計學(xué)系列教材》介紹數(shù)據(jù)挖掘、統(tǒng)計學(xué)習(xí)和模式識別中與大數(shù)據(jù)分析相關(guān)的理論、方法及工具。理論學(xué)習(xí)的目標(biāo)是使學(xué)生掌握復(fù)雜數(shù)據(jù)的分析與建模；方法學(xué)習(xí)的目標(biāo)是使學(xué)生能夠按照實證研究的規(guī)范和數(shù)據(jù)挖掘的步驟進(jìn)行大數(shù)據(jù)研發(fā)，工具學(xué)習(xí)的目標(biāo)是使學(xué)生熟練掌握一種數(shù)據(jù)分析的語言?！洞髷?shù)據(jù)分析：方法與應(yīng)用/應(yīng)用統(tǒng)計學(xué)系列教材》內(nèi)容由10章構(gòu)成：大數(shù)據(jù)分析概述，數(shù)據(jù)挖掘流程，有指導(dǎo)的學(xué)習(xí)，無指導(dǎo)的學(xué)習(xí)，貝葉斯分類和因果學(xué)習(xí)，高維回歸及變量選擇，圖模型，客戶關(guān)系管理、社會網(wǎng)絡(luò)分析、自然語言模型和文本挖掘。

作者簡介:

目錄:第1章 大數(shù)據(jù)分析概述
1．1 大數(shù)據(jù)概述
1．1．1 什么是大數(shù)據(jù)
1．1．2 數(shù)據(jù)、信息與認(rèn)知
1．1．3 數(shù)據(jù)管理與數(shù)據(jù)庫
1．1．4 數(shù)據(jù)倉庫
1．1．5 數(shù)據(jù)挖掘的內(nèi)涵和基本特征
1．2 數(shù)據(jù)挖掘的產(chǎn)生與功能
1．2．1 數(shù)據(jù)挖掘的歷史
1．2．2 數(shù)據(jù)挖掘的功能
1．3 數(shù)據(jù)挖掘與相關(guān)領(lǐng)域之間的關(guān)系
1．3．1 數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)
1．3．2 數(shù)據(jù)挖掘與數(shù)據(jù)倉庫
1．3．3 數(shù)據(jù)挖掘與統(tǒng)計學(xué)
1．3．4 數(shù)據(jù)挖掘與智能決策
1．3．5 數(shù)據(jù)挖掘與云計算
1．4 大數(shù)據(jù)研究方法
1．5 討論題目
1．6 推薦閱讀

第2章 數(shù)據(jù)挖掘流程
2．1 數(shù)據(jù)挖掘流程概述
2．1．1 問題識別
2．1．2 數(shù)據(jù)理解
2．1．3 數(shù)據(jù)準(zhǔn)備
2．1．4 建立模型
2．1．5 模型評價
2．1．6 部署應(yīng)用
2．2 離群點發(fā)現(xiàn)
2．2．1 基于統(tǒng)計的離群點檢測
2．2．2 基于距離的離群點檢測
2．2．3 局部離群點算法
2．3 不平衡數(shù)據(jù)級聯(lián)算法
2．4 討論題目
2．5 推薦閱讀

第3章 有指導(dǎo)的學(xué)習(xí)
3．1 有指導(dǎo)的學(xué)習(xí)概述
3．2 k-近鄰
3．3 決策樹
3．3．1 決策樹的基本概念
3．3．2 分類回歸樹
3．3．3 決策樹的剪枝
3．4 提升方法
3．5 隨機(jī)森林樹
3．5．1 隨機(jī)森林樹算法的定義
3．5．2 如何確定隨機(jī)森林樹算法中樹的節(jié)點分裂變量
3．5．3 隨機(jī)森林樹的回歸算法
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)問題討論
3．7 支持向量機(jī)
3．7．1 最大邊距分類
3．7．2 支持向量機(jī)問題的求解
3．7．3 支持向量機(jī)的核方法
3．8 多元自適應(yīng)回歸樣條
3．9 討論題目
3．1 0推薦閱讀

第4章 無指導(dǎo)的學(xué)習(xí)
4．1 關(guān)聯(lián)規(guī)則
4．1．1 靜態(tài)關(guān)聯(lián)規(guī)則算法Apriori算法
4．1．2 動態(tài)關(guān)聯(lián)規(guī)則算法Carma算法
4．1．3 序列規(guī)則挖掘算法
4．2 聚類分析
4．2．1 聚類分析的含義及作用
4．2．2 距離的定義
4．2．3 系統(tǒng)層次聚類法
4．2．4 k-均值算法
4．2．5 BIRCH算法
4．2．6 基于密度的聚類算法
4．3 基于預(yù)測強(qiáng)度的聚類方法
4．3．1 預(yù)測強(qiáng)度
4．3．2 預(yù)測強(qiáng)度方法的應(yīng)用
4．3．3 案例分析
4．4 聚類問題的變量選擇
4．4．1 高斯成對罰模型聚類
4．4．2 各類異方差成對罰模型聚類
4．4．3 幾種聚類變量選擇的比較
4．5 討論題目
4．6 推薦閱讀

第5章 貝葉斯分類和因果學(xué)習(xí)
5．1 貝葉斯分類
5．2 決策論與統(tǒng)計決策論
5．2．1 決策與風(fēng)險
5．2．2 統(tǒng)計決策
5．3 線性判別函數(shù)和二次判別函數(shù)
5．4 樸素貝葉斯分類
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(yīng)用
5．5．3 貝葉斯網(wǎng)絡(luò)的構(gòu)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(yīng)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(zhǔn)則
6．2．4 回歸變量選擇
6．3 廣義線性模型
6．3．1 二點分布回歸
6．3．2 指數(shù)族概率分布
6．3．3 廣義線性模型
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(shù)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 軟件實現(xiàn)
6．5 總結(jié)
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(shù)族圖模型
7．3．1 基本定義
7．3．2 參數(shù)估計及假設(shè)檢驗
7．4 譜聚類
7．4．1 聚類和圖劃分
7．4．2 譜聚類
7．5 總結(jié)
7．6 討論題目
77推薦閱讀

第8章 客戶關(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 客戶價值隨機(jī)模型
8．2．1 客戶價值的定義
8．2．2 客戶價值分析模型
8．2．3 客戶購買狀態(tài)轉(zhuǎn)移矩陣
8．2．4 利潤矩陣
8．2．5 客戶價值的計算
8．3 案例：銀行卡消費(fèi)客戶價值模型
8．4 推薦閱讀

第9章 社會網(wǎng)絡(luò)分析
9．1 社會網(wǎng)絡(luò)概述
9．1．1 社會網(wǎng)絡(luò)概念與發(fā)展
9．1．2 社會網(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
9．2 案例：社會網(wǎng)絡(luò)在學(xué)術(shù)機(jī)構(gòu)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(zhǔn)則
10．2 統(tǒng)計語言模型
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模型的熱點新聞發(fā)現(xiàn)
10．5 推薦閱讀