大數(shù)據(jù)、數(shù)據(jù)挖掘與智慧運(yùn)營(yíng)

第1章大數(shù)據(jù)、數(shù)據(jù)挖掘與智慧運(yùn)營(yíng)綜述1
1.1數(shù)據(jù)挖掘的發(fā)展史2
1.1.1數(shù)據(jù)挖掘的定義與起源2
1.1.2數(shù)據(jù)挖掘的早期發(fā)展3
1.1.3數(shù)據(jù)挖掘的算法前傳4
1.1.4數(shù)據(jù)挖掘的第一個(gè)里程碑8
1.1.5最近十年的發(fā)展與應(yīng)用11
1.2數(shù)據(jù)挖掘的主要流程與金字塔模型13
1.2.1數(shù)據(jù)挖掘的任務(wù)14
1.2.2數(shù)據(jù)挖掘的基本步驟16
1.2.3數(shù)據(jù)挖掘的架構(gòu)——云計(jì)算17
1.2.4“金字塔”模型20
1.3數(shù)據(jù)挖掘?qū)χ腔圻\(yùn)營(yíng)的意義22
1.3.1“互聯(lián)網(wǎng)+”時(shí)代的來(lái)臨及其對(duì)運(yùn)營(yíng)商的沖擊和挑戰(zhàn)22
1.3.2大數(shù)據(jù)時(shí)代的來(lái)臨及其對(duì)運(yùn)營(yíng)商的挑戰(zhàn)和機(jī)遇24
1.3.3電信運(yùn)營(yíng)商運(yùn)營(yíng)發(fā)展面臨的主要瓶頸26
1.3.4電信運(yùn)營(yíng)商發(fā)展的“三條曲線(xiàn)”27
1.3.5智慧運(yùn)營(yíng)與大數(shù)據(jù)變現(xiàn)29
1.3.6數(shù)據(jù)挖掘?qū)τ谔嵘腔圻\(yùn)營(yíng)效率的意義30
1.4大數(shù)據(jù)時(shí)代已經(jīng)來(lái)臨31
1.4.1大數(shù)據(jù)的定義31
1.4.2大數(shù)據(jù)的“4V”特征32
1.4.3結(jié)構(gòu)化數(shù)據(jù)與非結(jié)構(gòu)化數(shù)據(jù)33
1.5非結(jié)構(gòu)化數(shù)據(jù)挖掘的研究進(jìn)展34
1.5.1文本挖掘34
1.5.2模式識(shí)別36
1.5.3語(yǔ)音識(shí)別40
1.5.4視頻識(shí)別44
1.5.5其他非結(jié)構(gòu)化數(shù)據(jù)挖掘48
1.6數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、人工智能及云計(jì)算50
1.6.1機(jī)器學(xué)習(xí)51
1.6.2深度學(xué)習(xí)53
1.6.3人工智能55
1.6.4云計(jì)算56
1.7現(xiàn)有數(shù)據(jù)挖掘的主要分析軟件與系統(tǒng)61
1.7.1Hadoop61
1.7.2Storm63
1.7.3Spark65
1.7.4SPASS（SPSS）66
1.7.5SAS68
參考文獻(xiàn)70
第2章數(shù)據(jù)統(tǒng)計(jì)與數(shù)據(jù)預(yù)處理73
2.1數(shù)據(jù)屬性類(lèi)型74
2.1.1數(shù)據(jù)屬性定義74
2.1.2離散屬性74
2.1.3連續(xù)屬性75
2.2數(shù)據(jù)的統(tǒng)計(jì)特性77
2.2.1中心趨勢(shì)度量77
2.2.2數(shù)據(jù)散布度量78
2.2.3數(shù)據(jù)相關(guān)性82
2.3數(shù)據(jù)預(yù)處理87
2.3.1數(shù)據(jù)預(yù)處理概述87
3.6基于網(wǎng)格的聚類(lèi)：CLIQUE140
3.6.1基于網(wǎng)格的聚類(lèi)算法概述140
3.6.2CLIQUE算法的基本原理141
3.6.3CLIQUE算法的優(yōu)勢(shì)與劣勢(shì)142
參考文獻(xiàn)143
第4章分類(lèi)分析145
4.1分類(lèi)分析概述146
4.2分類(lèi)分析的評(píng)估148
4.3決策樹(shù)分析152
4.3.1決策樹(shù)算法的基本原理152
4.3.2CHAID決策樹(shù)160
4.3.3ID3決策樹(shù)167
4.3.4C4.5決策樹(shù)171
4.3.5CART決策樹(shù)175
4.3.6決策樹(shù)中的剪枝問(wèn)題179
4.3.7決策樹(shù)在SPSS中的應(yīng)用180
4.4最近鄰分析（KNN）185
4.4.1KNN算法的基本原理185
4.4.2KNN算法流程186
4.4.3KNN算法的若干問(wèn)題187
4.4.4KNN分類(lèi)器的特征188
4.4.5KNN算法在SPSS中的應(yīng)用188
4.5貝葉斯分析191
4.5.1貝葉斯定理191
4.5.2樸素貝葉斯分類(lèi)192
4.5.3貝葉斯網(wǎng)絡(luò)195
4.6神經(jīng)網(wǎng)絡(luò)199
4.6.1感知器200
4.6.2多重人工神經(jīng)網(wǎng)絡(luò)201
4.6.3人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)203
4.7支持向量機(jī)204
第6章關(guān)聯(lián)分析245
6.1關(guān)聯(lián)分析概述246
6.2關(guān)聯(lián)分析的評(píng)估指標(biāo)247
6.2.1支持度247
6.2.2置信度248
6.2.3算法復(fù)雜度248
6.3Apriori算法249
6.3.1頻繁項(xiàng)集的定義與產(chǎn)生249
6.3.2先驗(yàn)原理251
6.3.3基于支持度的計(jì)數(shù)與剪枝252
6.3.4候選項(xiàng)集生成253
6.3.5基于置信度的剪枝259
6.3.6Apriori算法規(guī)則生成259
6.4FP-tree算法261
6.4.1頻繁模式樹(shù)261
6.4.2FP-tree算法頻繁項(xiàng)集的產(chǎn)生263
6.4.3FP-tree算法規(guī)則生成263
6.4.4算法性能對(duì)比與評(píng)估264
6.5SPSSModeler關(guān)聯(lián)分析實(shí)例265
參考文獻(xiàn)269
第7章增強(qiáng)型數(shù)據(jù)挖掘算法271
7.1增強(qiáng)型數(shù)據(jù)挖掘算法概述272
7.1.1組合方法的優(yōu)勢(shì)272
7.1.2構(gòu)建組合分類(lèi)器的方法272
7.2隨機(jī)森林273
7.2.1隨機(jī)森林的原理273
7.2.2隨機(jī)森林的優(yōu)缺點(diǎn)276
7.2.3隨機(jī)森林的泛化誤差276
7.2.4輸入特征的選擇方法277
7.3Bagging算法277