预测性分析 基于数据科学的方法(原书第2版)

本书全面介绍了预测性分析相关方法，不仅直观地阐述了相关概念，还给出了现实的示例问题和真实的案例研究—包括从失败项目获得的经验教训。本书理论和实践内容相对平衡，便于读者加深理解。全书共9章，外加一个附录。第1章为分析导论，第2章为预测性分析和数据挖掘导论，第3章介绍预测性分析的标准流程，第4章介绍预测性分析的数据和方法，第5章介绍预测性分析算法，第6章探讨预测性建模中的高阶主题，第7章介绍文本分析、主题建模和情感分析，第8章介绍预测性分析使用的大数据，第9章介绍深度学习和认知计算，附录展望了商业分析和数据科学工具的前景。本书适合计算机科学、数据科学和商业分析领域的相关从业人员阅读。

前言
致谢
作者简介
第1章分析导论1
1.1名称中有什么关系2
1.2为什么分析和数据科学会突然流行起来4
1.3分析的应用领域5
1.4分析面临的主要挑战5
1.5分析的纵向视图6
1.6分析的简单分类9
1.7分析的前沿：IBM Watson12
小结16
参考文献17
第2章预测性分析和数据挖掘导论18
2.1什么是数据挖掘20
2.2数据挖掘不是什么21
2.3最常见的数据挖掘应用22
2.4数据挖掘能够发现什么样的模式25
2.5流行的数据挖掘工具28
2.6数据挖掘的潜在问题：隐私问题31
小结36
参考文献36
第3章预测性分析的标准流程38
3.1数据库的知识发现流程38
3.2跨行业数据挖掘的标准流程39
3.3SEMMA43
3.4SEMMA和CRISP-DM45
3.5数据挖掘的六西格玛46
3.6哪种方法优选47
小结51
参考文献51
第4章预测性分析的数据和方法52
4.1数据分析中数据的本质52
4.2分析中的数据预处理54
4.3数据挖掘方法57
4.4预测57
4.5分类58
4.6决策树63
4.7数据挖掘中的聚类分析65
4.8k均值聚类算法67
4.9关联68
4.10Apriori算法70
4.11数据挖掘和预测性分析的误解与现实71
小结77
参考文献77
第5章预测性分析算法79
5.1朴素贝叶斯79
5.2最近邻算法82
5.3相似度度量：距离83
5.4人工神经网络85
5.5支持向量机88
5.6线性回归91
5.7逻辑回归94
5.8时间序列预测95
小结99
参考文献99
第6章预测性建模中的高阶主题102
6.1模型集成102
6.2预测性分析中的偏差–方差权衡112
6.3预测性分析中的非平衡数据问题115
6.4预测性分析中机器学习模型的可解释性118
小结124
参考文献124
第7章文本分析、主题建模和情感分析126
7.1自然语言处理129
7.2文本挖掘应用132
7.3文本挖掘流程135
7.4文本挖掘工具143
7.5主题建模144
7.6情感分析146
小结153
参考文献154
第8章预测性分析使用的大数据156
8.1大数据从何而来156
8.2定义大数据的V158
8.3大数据的基本概念160
8.4大数据分析解决的业务问题163
8.5大数据技术163
8.6数据科学家169
8.7大数据和流分析171
8.8数据流挖掘172
小结174
参考文献175
第9章深度学习和认知计算176
9.1深度学习导论176
9.2浅层神经网络基础179
9.3人工神经网络的要素181
9.4深度神经网络186
9.5卷积神经网络189
9.6循环神经网络与长短时记忆网络195
9.7实现深度学习的计算机框架199
9.8认知计算201
小结209
参考文献209
附录KNIME及商业分析和数据科学工具前景展望213