《大数据、数据挖掘与智慧运营》
- 出版社：清华大学出版社
- ISBN：9787302483373
- 版次：1
- 商品编码：12224693
- 品牌：清华大学出版社（TsinghuaUniversityPress）
- 包装：平装
- 开本：16开
- 出版时间：2017-10-01
- 用纸：胶版纸
- 页数：403
- 字数：494000
基本介绍书籍目录点评信息
书籍内容
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。编辑推荐
随着移动互联网和物联网时代的来临，人和万事万物被广泛地联系在一起。人们在联系的过程产生了大量的数据，例如用户基础信息、网页浏览记录、历史消费记录、视频监控影像，等等。据此，以Google为首的互联网公司提出了“大数据”（BigData）的概念，并声称人类已经脱离了信息时代（InformationTime，IT），进入了大数据时代（DataTime，DT）。显然，海量数据包含了非常丰富的浅层次信息和深层次知识。对于同一竞争领域的企业，谁能获取*大量的数据，展开*精准的数据挖掘与建模分析，并加以精细化的落地实施，谁便能在行业竞争中取得优势。 对于运营商企业而言，其具备的一个显著优势便是手握海量数据资源。如果能运用先进的数据挖掘技术找出客户的行为规律，从传统的经验式、粗放式、“一刀切”式的运营决策向数据化、精细化、个性化的运营决策转型，运营商将迎来新的腾飞。上述运营模式转型的目标，便是所谓的“智慧运营”。作者简介
梁栋，博士毕业于北京邮电大学信号与系统专业，现任教于北京邮电大学，硕士研究生导师，曾主持和参加多项国家自然科学基金项目、国家863课题项目、国家973科技项目和多项省部级科研项目，主要研究方向为大数据、数据挖掘与智慧运营，所带领的研究团队在包括IEEE Internet of things Journal、IEEE International Conference on Data Mining等著名学术期刊和会议上发表高水平学术论文20多篇，并且长期与中国移动等运营商企业进行科技产业化合作，在大数据、数据挖掘技术运用于企业智慧化运营方面有着丰富的落地经验。- 第1章大数据、数据挖掘与智慧运营综述1
1.1数据挖掘的发展史2
1.1.1数据挖掘的定义与起源2
1.1.2数据挖掘的早期发展3
1.1.3数据挖掘的算法前传4
1.1.4数据挖掘的第一个里程碑8
1.1.5最近十年的发展与应用11
1.2数据挖掘的主要流程与金字塔模型13
1.2.1数据挖掘的任务14
1.2.2数据挖掘的基本步骤16
1.2.3数据挖掘的架构——云计算17
1.2.4“金字塔”模型20
1.3数据挖掘对智慧运营的意义22
1.3.1“互联网+”时代的来临及其对运营商的冲击和挑战22
1.3.2大数据时代的来临及其对运营商的挑战和机遇24
1.3.3电信运营商运营发展面临的主要瓶颈26
1.3.4电信运营商发展的“三条曲线”27
1.3.5智慧运营与大数据变现29
1.3.6数据挖掘对于提升智慧运营效率的意义30
1.4大数据时代已经来临31
1.4.1大数据的定义31
1.4.2大数据的“4V”特征32
1.4.3结构化数据与非结构化数据33
1.5非结构化数据挖掘的研究进展34
1.5.1文本挖掘34
1.5.2模式识别36
1.5.3语音识别40
1.5.4视频识别44
1.5.5其他非结构化数据挖掘48
1.6数据挖掘与机器学习、深度学习、人工智能及云计算50
1.6.1机器学习51
1.6.2深度学习53
1.6.3人工智能55
1.6.4云计算56
1.7现有数据挖掘的主要分析软件与系统61
1.7.1Hadoop61
1.7.2Storm63
1.7.3Spark65
1.7.4SPASS（SPSS）66
1.7.5SAS68
参考文献70
第2章数据统计与数据预处理73
2.1数据属性类型74
2.1.1数据属性定义74
2.1.2离散属性74
2.1.3连续属性75
2.2数据的统计特性77
2.2.1中心趋势度量77
2.2.2数据散布度量78
2.2.3数据相关性82
2.3数据预处理87
2.3.1数据预处理概述87
3.6基于网格的聚类：CLIQUE140
3.6.1基于网格的聚类算法概述140
3.6.2CLIQUE算法的基本原理141
3.6.3CLIQUE算法的优势与劣势142
参考文献143
第4章分类分析145
4.1分类分析概述146
4.2分类分析的评估148
4.3决策树分析152
4.3.1决策树算法的基本原理152
4.3.2CHAID决策树160
4.3.3ID3决策树167
4.3.4C4.5决策树171
4.3.5CART决策树175
4.3.6决策树中的剪枝问题179
4.3.7决策树在SPSS中的应用180
4.4最近邻分析（KNN）185
4.4.1KNN算法的基本原理185
4.4.2KNN算法流程186
4.4.3KNN算法的若干问题187
4.4.4KNN分类器的特征188
4.4.5KNN算法在SPSS中的应用188
4.5贝叶斯分析191
4.5.1贝叶斯定理191
4.5.2朴素贝叶斯分类192
4.5.3贝叶斯网络195
4.6神经网络199
4.6.1感知器200
4.6.2多重人工神经网络201
4.6.3人工神经网络的特点203
4.7支持向量机204
第6章关联分析245
6.1关联分析概述246
6.2关联分析的评估指标247
6.2.1支持度247
6.2.2置信度248
6.2.3算法复杂度248
6.3Apriori算法249
6.3.1频繁项集的定义与产生249
6.3.2先验原理251
6.3.3基于支持度的计数与剪枝252
6.3.4候选项集生成253
6.3.5基于置信度的剪枝259
6.3.6Apriori算法规则生成259
6.4FP-tree算法261
6.4.1频繁模式树261
6.4.2FP-tree算法频繁项集的产生263
6.4.3FP-tree算法规则生成263
6.4.4算法性能对比与评估264
6.5SPSSModeler关联分析实例265
参考文献269
第7章增强型数据挖掘算法271
7.1增强型数据挖掘算法概述272
7.1.1组合方法的优势272
7.1.2构建组合分类器的方法272
7.2随机森林273
7.2.1随机森林的原理273
7.2.2随机森林的优缺点276
7.2.3随机森林的泛化误差276
7.2.4输入特征的选择方法277
7.3Bagging算法277
