✍ Scribed by 梁栋 张兆静 彭木根
No coin nor oath required. For personal study only.
本书系统地介绍了大数据挖掘的基本概念、经典挖掘算法、挖掘工具和企业智慧运营应用案例。 全书分为9章，内容包括：大数据挖掘与智慧运营的概念，数据预处理，数据挖掘中的四种主流算法：聚类分析、分类分析、回归分析、关联分析，增强型数据挖掘算法，数据挖掘在运营商智慧运营中的应用案例，未来大数据挖掘的发展趋势等。全书以运用大数据挖掘方法提升企业运营业绩与效率为主线，从运营商实际工作中选取了大量运营和销售案例，详细讲述了数据采集、挖掘建模、模型落地与精准营销的全部过程。书中大部分案例的代码、软件操作流程和微课视频可以通过扫描本书封底的二维码下载。本书主要面向运营商及其他高科技企业员工、高等院校相关专业本科生和研究生，以及其他对数据挖掘与精准营销感兴趣的读者。
封面
扉页
内容简介
版权页
前言
目录
第1章 大数据、数据挖掘与智慧运营综述
1.1 数据挖掘的发展史
1.2 数据挖掘的主要流程与金字塔模型
1.3 数据挖掘对智慧运营的意义
1.4 大数据时代已经来临
1.5 非结构化数据挖掘的研究进展
1.6 数据挖掘与机器学习、深度学习、人工智能及云计算
1.7 现有数据挖掘的主要分析软件与系统
参考文献
第2章 数据统计与数据预处理
2.1 数据属性类型
2.2 数据的统计特性
2.3 数据预处理
2.3.2 数据预处理的主要任务
2.4 数据字段的衍生
2.5 SPSS 软件中的数据预处理案例
参考文献
第3章 聚类分析
3.1 概述
3.2 聚类算法的评估
3.3 基于划分的聚类：K-means
3.4 基于层次化的聚类：BIRCH
3.5 基于密度的聚类：DBSCAN
3.6 基于网格的聚类：CLIQUE
参考文献
第4章 分类分析
4.1 分类分析概述
4.2 分类分析的评估
4.3 决策树分析
4.4 最近邻分析（KNN）
4.5 贝叶斯分析
4.6 神经网络
4.7 支持向量机
参考文献
第5章 回归分析
5.1 回归分析概述
5.2 一元线性回归
5.3 多元线性回归
5.4 非线性回归
5.5 逻辑回归
参考文献
第6章 关联分析
6.1 关联分析概述
6.2 关联分析的评估指标
6.3 Apriori算法
6.4 FP-tree算法
6.5 SPSS Modeler关联分析实例
参考文献
第7章 增强型数据挖掘算法
7.1 增强型数据挖掘算法概述
7.2 随机森林
7.3 Bagging算法
7.4 Adobos算法
7.5 提高不平衡数据的分类准确率
7.6 迁移学习
参考文献
第8章 数据挖掘在运营商智慧运营中的应用
8.1 概述
8.2 单个业务的精准营销——合约机外呼营销
8.3 多种互联网业务的精准推送
8.4 套餐精准适配
8.5 客户保有
8.6 投诉预警
8.7 网络质量栅格化呈现
8.8 无线室内定位
参考文献
第9章 面向未来大数据的数据挖掘与机器学习发展趋势
9.1 大数据时代数据挖掘与机器学习面临的新挑战
9.2 IEEE ICDM会议数据挖掘与机器学习的最新研究进展
9.3 “计算机奥运会”——Sort Benchmark
参考文献
正文结束
📜 SIMILAR VOLUMES
《数据分析与数据挖掘》主要介绍数据挖掘和数据分析的基本概念和方法，包括数据的基本属性和概念、数据预处理技术、数据立方体和OLAP技术、频繁模式挖掘、回归分析、分类、聚类、离群点分析。书中涉及到的模型和算法均给予了相应的实例。
<p>《大数据分析与数据挖掘》综合大数据分析与数据挖掘的理论、技术和实际案例，以丰富的产学合作实务案例，深入浅出地剖析从大数据中掏金的秘诀。全书内容涵盖大数据分析与数据挖掘的基本概念、数据准备、大数据分析的方法与实证及相关的进阶运用，并佐以R语言及例题实作，提升读者的数据挖掘实战能力，开拓对大数据分析的洞察视野。</p> <p>随着移动通信和行动装置普及、物联网和网络发展，以及云端技术的不断进步，现今数据产生、搜集和储存方式比以往更为方便。数据挖掘与大数据分析可以从海量数据中，找到值得参考的样型或规则，转换成有价值的信息、洞察或知识，创造更多新价值。</p> <p>本书主要介绍数据挖掘与大
<p>《数据仓库与数据挖掘》主要介绍数据仓库和数据挖掘技术的基本原理和应用方法，全书共分为12章，主要内容包括数据仓库的概念和体系结构、数据仓库的数据存储和处理、数据仓库系统的设计与开发、关联规则、数据分类、数据聚类、贝叶斯网络、粗糙集、神经网络、遗传算法、统计分析、文本和Web挖掘。《数据仓库与数据挖掘》既重视理论知识的讲解，又强调应用技能的培养。每章首先介绍算法的主要思想和理论基础，之后利用算法去解决实例中给出的任务，而且对于数据仓库的组建方法和多数章节中的数据挖掘算法，《数据仓库与数据挖掘》都使用Microsoft SQL Server 2005进行了操作实现。《数据仓库与数据挖掘》通过
这是一部从实战角度讲解如何利用Python进行数据分析、挖掘和数据化运营的著作，不仅对数据分析的关键技术和技巧进行了总结，更重要的是对会员、商品、流量、内容4个主题的数据化运营进行了系统讲解。 作者是国内一线数据分析师和大数据专家，在数据分析和数据化运营领域有近10年的经验，在业内颇具知名度和影响力。本书不仅得到了宋星、黄成明、宫鑫等14位资深专家的好评和推荐，还得到了天善智能、中国统计网等多个数据科学相关机构的支持和高度认可。 全书的内容在逻辑上共分为两大部分： 第一部分（第1~4章）：Python数据分析与挖掘 着重讲解了Python和数据化运营的基本知识，以及Python数据获取
<p>《高等院校信息管理与信息系统专业系列教材:数据仓库与数据挖掘技术》主要介绍数据仓库和数据挖掘技术的基本概念、相关技术和应用案例及方法。《高等院校信息管理与信息系统专业系列教材:数据仓库与数据挖掘技术》共分为9章，主要内容包括：数据仓库与数据挖掘的概念和体系结构、数据仓库开发模型、ETL技术、OLAP技术、商务智能系统、数据预处理技术、数据挖掘技术、数据仓库开发实例、报表设计等内容。《高等院校信息管理与信息系统专业系列教材:数据仓库与数据挖掘技术》各章节的案例均使用Microsoft SQL Server 2005进行操作实践讲解。通过对具体实例的学习和实践，使读者掌握数据仓库和数据挖掘中
<p>《数据仓库与数据挖掘教程》系统介绍数据仓库原理、联机分析处理、数据仓库设计与开发、数据仓库的决策支持应用，数据挖掘原理、信息论的决策树方法、集合论的粗糙集方法、关联规则、公式发现、神经网络、遗传算法、文本挖掘与web挖掘，以及数据仓库与数据挖掘的发展。《数据仓库与数据挖掘教程》对数据仓库的系统介绍，在于突出决策支持的本质。对数据挖掘的各类方法均介绍了它们的理论基础和实现方法，并通过例子进行了说明。</p>