数据挖掘：你必须知道的32个经典案例（第2版） PDF下载

目 录 
 


第1章 经典的探索性数据分析案例 1
1.1 探索性数据分析综述 2
1.1.1 什么是探索性数据分析 2
1.1.2 如何收集数据 4
1.1.3 数据预处理技术 5
1.2 数据巧收集——红牛的大数据营销案例 8
1.2.1 状况百出的红牛企业 8
1.2.2 红牛企业巧妙收集消费者数据 9
1.2.3 数据收集小结 12
1.3 数据可视化——数据新闻促使英军撤军 13目  录    <；br />；        <；br />；<；br />；<；br />；第1章  经典的探索性数据分析案例	1<；br />；1.1  探索性数据分析综述	2<；br />；1.1.1  什么是探索性数据分析	2<；br />；1.1.2  如何收集数据	4<；br />；1.1.3  数据预处理技术	5<；br />；1.2  数据巧收集——红牛的大数据营销案例	8<；br />；1.2.1  状况百出的红牛企业	8<；br />；1.2.2  红牛企业巧妙收集消费者数据	9<；br />；1.2.3  数据收集小结	12<；br />；1.3  数据可视化——数据新闻促使英军撤军	13<；br />；1.3.1  维基解密带来的海量数据	13<；br />；1.3.2  百花齐放的数据新闻	15<；br />；1.3.3  数据可视化小结	18<；br />；1.4  异常值分析——Facebook消灭钓鱼链接	19<；br />；1.4.1  Facebook和广告商之间的拉锯战	20<；br />；1.4.2  异常值分析指导排名算法工作	22<；br />；1.4.3  异常值分析小结	26<；br />；1.5  对比分析——TrueCar指导购物者寻找最合算的车价	27<；br />；1.5.1  火中取栗的TrueCar网站	28<；br />；1.5.2  数据对比赢得消费者信赖	29<；br />；1.5.3  对比分析小结	32<；br />；第2章  经典的相关分析与回归分析案例	35<；br />；2.1  相关回归综述	36<；br />；2.1.1  相关回归简介	36<；br />；2.1.2  相关性分析的发展介绍	38<；br />；2.1.3  回归分析的发展介绍	39<；br />；2.2  皮尔逊相关值——纽约市政府利用相关分析监控违法建筑	40<；br />；2.2.1  简约而不简单的消防检测系统	40<；br />；2.2.2  使用相关分析洞察60个变量的关系	42<；br />；2.2.3  相关分析小结	45<；br />；2.3  时间序列分析——人寿保险的可提费用预测	47<；br />；2.3.1  人寿保险公司和可提费用	47<；br />；2.3.2  使用4种时间序列回归预测模型解决问题	49<；br />；2.3.3  时间序列分析小结	52<；br />；2.4  线性回归分析——梅西百货公司的12项大数据策略	54<；br />；2.4.1  从“一亿豪赌”说起的零售商困境	54<；br />；2.4.2  SAS公司帮助梅西百货构建模型	56<；br />；2.4.3  线性回归分析小结	59<；br />；2.5  Logistic回归分析——大面积流感爆发的预测分析	62<；br />；2.5.1  究竟谁才是流感预测算法之王	62<；br />；2.5.2  向Logistic算法中引入更多变量	64<；br />；2.5.3  Logistic回归分析小结	67<；br />；第3章  经典的降维数据分析案例	69<；br />；3.1  降维分析算法综述	70<；br />；3.1.1  为什么要使用降维算法	70<；br />；3.1.2  线性降维算法	72<；br />3.1.3  非线性降维算法	73<br />3.2  粗糙集算法——协助希腊工业发展银行制定信贷政策	74<br />3.2.1  银行信贷政策的制定原则	75<br />3.2.2  粗糙集算法的原理和应用	76<br />3.2.3  粗糙集算法小结	80<br />3.3  因子分析——基于李克特量表的应聘评价法	82<br />3.3.1  源于智力测试的因子分析	82<br />3.3.2  使用因子分析解构问卷	84<br />3.3.3  因子分析小结	87<br />3.4  最优尺度分析——直观评估消费者倾向的分析方法	89<br />3.4.1  市场调查问题催生的最优尺度分析	89<br />3.4.2  6种经典的最优尺度分析解读方法	91<br />3.4.3  最优尺度分析小结	95<br />3.5  PCA降维算法——智能人脸识别的应用与拓展	97<br />3.5.1  刷脸的时代来了	97<br />3.5.2  使用PCA算法完成降维工作	99<br />3.5.3  PCA算法小结	102<br />第4章  经典的模式识别案例	105<br />4.1  模式识别综述	106<br />4.1.1  模式识别简介	106<br />4.1.2  模式识别的发展脉络	107<br />4.1.3  模式识别应用简介	110<br />4.2  图像分析——谷歌的超前自动驾驶技术	111<br />4.2.1  以安全的名义呼吁自动驾驶技术	111<br />4.2.2  快速成熟的无人驾驶技术	113<br />4.2.3  图像分析小结	116<br />4.3  遗传算法——经典的人力资源优化问题	118<br />4.3.1  使用有限资源实现利益最大化	118<br />4.3.2  遗传算法的计算过程	120<br />4.3.3  遗传算法小结	123<br />4.4  决策树分析——“沸腾时刻”准确判断用户健康水平	124<br />4.4.1  打造我国最大的健身平台	124<br />4.4.2  信息增益和决策树	126<br />4.4.3  决策树小结	129<br />4.5  K均值聚类分析——HSE24通过为客户分类降低退货率	131<br />4.5.1  在电子商务市场快速扩张的HSE24	131<br />4.5.2  使用K均值聚类为客户分类	133<br />4.5.3  K均值聚类小结	136<br />第5章  经典的机器学习案例	139<br />5.1  机器学习综述	140<br />5.1.1  机器学习简介	140<br />5.1.2  机器学习的主流发展和应用	142<br />5.2  语义搜索——沃尔玛搜索引擎提升15%销售额	143<br />5.2.1  注重用户体验的沃尔玛公司	144<br />5.2.2  语义搜索引擎的底层技术和原理	145<br />5.2.3  语义搜索技术小结	148<br />5.3  顺序分析——搜狗输入法的智能纠错系统	150<br />5.3.1  搜狗输入法的王牌词库和智能算法	151<br />5.3.2  频繁树模式和顺序分析算法	153<br />5.3.3  顺序分析小结	156<br />5.4  文本分析——经典的垃圾邮件过滤系统	158<br />5.4.1  大数据时代需要文本分析工作	158<br />5.4.2  垃圾邮件过滤中的分词技术和词集模型	160<br />5.4.3  文本分析小结	163<br />5.5  协同过滤——构建个性化推荐系统的经典算法	164<br />5.5.1  协同过滤算法为什么这么流行	165<br />5.5.2  基于用户和基于产品的协同过滤	166<br />5.5.3  协同过滤算法小结	169<br />第6章  经典的深度学习案例	171<br />6.1  深度学习综述	172<br />6.1.1  深度学习简介	172<br />6.1.2  深度学习在图像处理方面的应用	174<br />6.1.3  深度学习在自然语言处理方面的应用	176<br />6.2  支持向量机——乔布斯利用大数据对抗癌症	178<br />6.2.1  乔布斯和胰腺癌的抗争	178<br />6.2.2  医学统计学和支持向量机	180<br />6.2.3  支持向量机小结	184<br />6.3  感知器神经网络——最佳的房产价格预测算法	185<br />6.3.1  如何预测房价	186<br />6.3.2  多层感知器和误差曲面	188<br />6.3.3  感知器神经网络小结	191<br />6.4  自组织神经网络——如何又快又好地解决旅行商问题	193<br />6.4.1  最优路径问题的典型模式和解决方法	193<br />6.4.2  自组织神经网络的拓扑结构和权值调整	194<br />6.4.3  自组织神经网络小结	198<br />6.5  RBM算法——为新闻报道智能分类	199<br />6.5.1  新闻报道智能分类的难与易	199<br />6.5.2  RBM算法的学习目标和学习方法	201<br />6.5.3  RBM算法小结	204<br /> <br />第7章  经典的数据挖掘案例	207<br />7.1  数据挖掘综述	208<br />7.1.1  什么是数据挖掘	208<br />7.1.2  数据挖掘的主要应用领域	209<br />7.1.3  数据挖掘模型的评价指标	211<br />7.2  判别分析——美国运通构建客户流失预测模型	213<br />7.2.1  美国运通公司的旧日辉煌	213<br />7.2.2  判别分析的假设条件和判别函数	214<br />7.2.3  判别分析小结	218<br />7.3  购物篮分析——找出零售业的最佳商品组合	220<br />7.3.1  名动天下的“啤酒和尿布”案例	220<br />7.3.2  购物篮分析的频繁模式	222<br />7.3.3  购物篮分析小结	225<br />7.4  马尔可夫链——准确预测客运市场占有率	227<br />7.4.1  复杂的客运市场系统	227<br />7.4.2  概率转移矩阵的求解方法	229<br />7.4.3  马尔可夫链小结	232<br />7.5  AdaBoost元算法——有效侦测欺诈交易的复合算法	233<br />7.5.1  弱分类器和强分类器之争	233<br />7.5.2  AdaBoost元算法的分类器构建方法	235<br />7.5.3  AdaBoost元算法小结	238<br />第8章  经典的商业智能分析案例	241<br />8.1  商业智能分析综述	242<br />8.1.1  什么是商业智能	242<br />8.1.2  商业智能的主流发展与应用	244<br /> <br />8.2  KXEN分析软件——构建欧洲博彩业下注预测平台	246<br />8.2.1  现代博彩业背后的黑手	247<br />8.2.2  集体智慧和庄家赔率的联系	248<br />8.2.3  KXEN软件小结	252<br />8.3  数据废气再利用——物流公司数据成功用于评估客户信用	253<br />8.3.1  数据废气和黑暗数据的异同	254<br />8.3.2  论如何充分利用物流公司数据	255<br />8.3.3  数据废气再利用小结	258<br />8.4  必应预测——使用往期信息预测自然灾害	259<br />8.4.1  预测自然灾害的必要性	260<br />8.4.2  微软大数据预测的优与劣	261<br />8.4.3  必应预测小结	263<br />8.5  点球成金——助力NBA大数据分析的多种神秘软件	265<br />8.5.1  NBA的有效球员数据	265<br />8.5.2  有关点球成金的靠谱方法	268<br />8.5.3  点球成金小结	270