IBM SPSS Modeler數(shù)據(jù)與文本挖掘?qū)崙?zhàn)

第1部分 數(shù)據(jù)挖掘篇
第1章 數(shù)據(jù)挖掘概述
1.1 什么是數(shù)據(jù)挖掘
1.1.1 數(shù)據(jù)挖掘的定義
1.1.2 數(shù)據(jù)挖掘的發(fā)展階段
1.1.3 數(shù)據(jù)挖掘的技術(shù)特征
1.2 與傳統(tǒng)技術(shù)的比較
1.2.1 數(shù)據(jù)挖掘和統(tǒng)計分析
1.2.2 數(shù)據(jù)挖掘和數(shù)據(jù)倉庫
1.2.3 數(shù)據(jù)挖掘和OLAP
1.2.4 數(shù)據(jù)挖掘和Web挖掘
1.3 常用的數(shù)據(jù)挖掘軟件
1.3.1 SAS EM
1.3.2 SPSS Modeler
1.3.3 Intelligent Miner
1.4 應用實例：目標客戶分析
1.4.1 研究方法
1.4.2 數(shù)據(jù)分析
1.4.3 研究結(jié)論
第2章 SPSS Modeler軟件概述
2.1 軟件簡介
2.1.1 軟件發(fā)展
2.1.2 軟件界面
2.1.3 軟件特點
2.1.4 軟件功能
2.1.5 軟件算法
2.1.6 高級功能
2.1.7 軟件安裝
2.2 行業(yè)應用
2.2.1 通信行業(yè)
2.2.2 政府行業(yè)
2.2.3 金融行業(yè)
2.2.4 制造行業(yè)
2.2.5 醫(yī)藥行業(yè)
2.2.6 教育科研
2.2.7 市場調(diào)研
2.2.8 連鎖零售
2.3 數(shù)據(jù)挖掘流程
2.3.1 業(yè)務(wù)理解
2.3.2 數(shù)據(jù)理解
2.3.3 數(shù)據(jù)準備
2.3.4 建立模型
2.3.5 評估模型
2.3.6 應用模型
2.4 應用實例：藥物效果研究
2.4.1 研究方法
2.4.2 數(shù)據(jù)分析
2.4.3 研究結(jié)論
第3章 SPSS Modeler基礎(chǔ)操作
3.1 數(shù)據(jù)輸入
3.1.1 數(shù)據(jù)庫
3.1.2 可變文件
3.1.3 固定文件
3.1.4 SAS文件
3.1.5 Statistics文件
3.1.6 Excel文件
3.2 數(shù)據(jù)流操作
3.2.1 生成數(shù)據(jù)流
3.2.2 添加和刪除節(jié)點
3.2.3 連接數(shù)據(jù)流
3.2.4 修改連接節(jié)點
3.2.5 執(zhí)行數(shù)據(jù)流
3.3 圖形制作
3.3.1 散點圖
3.3.2 直方圖
3.3.3 網(wǎng)絡(luò)圖
3.3.4 評估圖
3.4 應用實例：產(chǎn)品銷售預測
3.4.1 研究方法
3.4.2 數(shù)據(jù)分析
3.4.3 研究結(jié)論
第4章 回歸分析
4.1 回歸分析模型概述
4.1.1 模型定義
4.1.2 模型應用
4.1.3 建模步驟
4.1.4 注意事項
4.2 應用實例：客戶流失因素分析
4.2.1 研究方法
4.2.2 數(shù)據(jù)分析
4.2.3 研究結(jié)論
第5章 時間序列
5.1 時間序列模型概述
5.1.1 模型定義
5.1.2 模型應用
5.1.3 建模步驟
5.2 應用實例：帶寬利用率預測
5.2.1 研究方法
5.2.2 數(shù)據(jù)分析
5.2.3 研究結(jié)論
第6章 因子分析
6.1 因子分析模型概述
6.1.1 模型定義
6.1.2 模型應用
6.1.3 建模步驟
6.1.4 注意事項
6.2 應用實例：兒童玩具影響因子分析
6.2.1 研究方法
6.2.2 數(shù)據(jù)分析
6.2.3 研究結(jié)論
第7章 決策樹
7.1 決策樹模型概述
7.1.1 模型定義
7.1.2 模型應用
7.1.3 建模步驟
7.1.4 注意事項
7.2 應用實例：電信客戶流失分析
7.2.1 研究方法
7.2.2 數(shù)據(jù)分析
7.2.3 研究結(jié)論
第8章 判別分析
8.1 判別分析模型概述
8.1.1 模型定義
8.1.2 模型應用
8.1.3 建模步驟
8.1.4 注意事項
8.2 應用實例：電信客戶群判別分析
8.2.1 研究方法
8.2.2 數(shù)據(jù)分析
8.2.3 研究結(jié)論
第9章 聚類分析
9.1 聚類分析模型概述
9.1.1 模型定義
9.1.2 模型應用
9.1.3 建模步驟
9.1.4 注意事項
9.2 應用實例：藥物效果聚類分析
9.2.1 研究方法
9.2.2 數(shù)據(jù)分析
9.2.3 研究結(jié)論
第10章 關(guān)聯(lián)分析
10.1 關(guān)聯(lián)分析模型概述
10.1.1 模型定義
10.1.2 模型應用
10.1.3 建模步驟
10.1.4 注意事項
10.2 應用實例：商品關(guān)聯(lián)性分析
10.2.1 研究方法
10.2.2 數(shù)據(jù)分析
10.2.3 研究結(jié)論
第11章 人工神經(jīng)網(wǎng)絡(luò)
11.1 人工神經(jīng)網(wǎng)絡(luò)模型概述
11.1.1 模型定義
11.1.2 模型應用
11.1.3 建模步驟
11.1.4 注意事項
11.2 應用實例：客戶流失預測分析
11.2.1 研究方法
11.2.2 數(shù)據(jù)分析
11.2.3 研究結(jié)論
第12章 貝葉斯網(wǎng)絡(luò)
12.1 貝葉斯網(wǎng)絡(luò)模型概述
12.1.1 模型定義
12.1.2 模型應用
12.1.3 建模步驟
12.1.4 注意事項
12.2 應用實例：貸款風險預測
12.2.1 研究方法
12.2.2 數(shù)據(jù)分析
12.2.3 研究結(jié)論
第13章 社交網(wǎng)絡(luò)分析
13.1 社交網(wǎng)絡(luò)分析模型概述
13.1.1 模型定義
13.1.2 模型應用
13.1.3 建模步驟
13.1.4 注意事項
13.2 應用實例：客戶流失預警分析
13.2.1 研究方法
13.2.2 數(shù)據(jù)分析
13.2.3 研究結(jié)論
第2部分 文本挖掘篇
第14章 文本挖掘概述
14.1 什么是文本挖掘
14.2 文本挖掘的研究現(xiàn)狀
14.3 文本挖掘軟件簡介
14.3.1 Intelligent Miner
14.3.2 北大方正智思
第15章 文本挖掘算法
15.1 特征選擇文本分類算法
15.1.1 文本特征表示
15.1.2 文檔預處理
15.1.3 文檔特征選擇
15.2 支持向量機文本分類算法
15.2.1 文檔特征的表示
15.2.2 文本特征的提取
15.2.3 文檔的相似度
15.2.4 支持向量機算法
15.3 樸素貝葉斯文本分類算法
15.3.1 貝葉斯公式
15.3.2 貝葉斯定理的應用
15.3.3 樸素貝葉斯分類器
15.3.4 樸素貝葉斯文本分類算法
15.4 KNN文本分類算法
15.4.1 KNN文本分類算法概述
15.4.2 基于統(tǒng)計的KNN文本分類算法
15.4.3 基于LSA降維的KNN文本分類算法
第16章 SPSS Modeler文本挖掘概述
16.1 Modeler軟件中的文本挖掘理論
16.1.1 功能簡介
16.1.2 文本挖掘節(jié)點
16.2 Modeler軟件中的文本挖掘安裝
第17章 SPSS Modeler文本挖掘節(jié)點
17.1 File List節(jié)點
17.1.1 節(jié)點簡介
17.1.2 節(jié)點實例
17.2　 Web Feed節(jié)點
17.2.1 節(jié)點簡介
17.2.2 節(jié)點實例
17.3 Text Mining節(jié)點
17.3.1 節(jié)點簡介
17.3.2 節(jié)點實例
17.4 Text Link Analysis節(jié)點
17.4.1 節(jié)點簡介
17.4.2 節(jié)點實例
17.5 Translate節(jié)點
17.5.1 節(jié)點簡介
17.5.2 節(jié)點實例
17.6 File Viewer節(jié)點
17.6.1 節(jié)點簡介
17.6.2 節(jié)點實例
第18章 SPSS Modeler文本挖掘?qū)嵗?br />18.1 實例：音樂調(diào)查數(shù)據(jù)的概念模型分析
18.2 實例：音樂調(diào)查數(shù)據(jù)的文本類別分析
附錄A 配置SQL Server ODBC數(shù)據(jù)源