發(fā)現(xiàn)數(shù)據(jù)之美：數(shù)據(jù)分析原理與實(shí)踐

目 錄
第1章業(yè)務(wù)分析是一個(gè)蓬勃發(fā)展的方向 1
1．1 業(yè)務(wù)分析是什么 2
1．2 業(yè)務(wù)分析的應(yīng)用現(xiàn)狀 3
1．3 如何應(yīng)用業(yè)務(wù)分析 5
1．4 大數(shù)據(jù)與業(yè)務(wù)分析 8
1．5 我們還在等什么 9
第2章開始我們的旅程――從數(shù)據(jù)談起 10
2．1 我們討論的數(shù)據(jù)結(jié)構(gòu) 11
2．1．1 行（Row）是什么 12
2．1．2 列（Column）是什么 13
2．1．3 多少行數(shù)據(jù)才合適 15
2．1．4 我們需要什么樣的列 16
2．2 Statistics和Modeler的基本知識(shí) 18
2．3 數(shù)據(jù)導(dǎo)入（Loading Data） 24
2．4 數(shù)據(jù)探查（Data Exploring） 27
2．4．1 正態(tài)分布（Normal Distribution） 28
2．4．2 數(shù)據(jù)探查的常見統(tǒng)計(jì)量 30
2．4．3 數(shù)據(jù)可視化 35
2．5 本章小結(jié) 47
第3章在分析之前，還需要數(shù)據(jù)預(yù)處理 48
3．1 數(shù)據(jù)的問題 49
3．2 數(shù)據(jù)校驗(yàn) 50
3．2．1 驗(yàn)證規(guī)則 50
3．2．2 驗(yàn)證數(shù)據(jù) 53
3．2．3 數(shù)據(jù)審計(jì)（Data Audit） 57
3．2．4 識(shí)別異常數(shù)據(jù) 60
3．3 數(shù)據(jù)集成（Data Integration） 65
3．3．1 在Statistics中進(jìn)行數(shù)據(jù)集成 66
3．3．2 在Modeler中進(jìn)行數(shù)據(jù)集成 68
3．4 數(shù)據(jù)轉(zhuǎn)換（Data Transformation） 73
3．4．1 分箱（Binning） 73
3．4．2 數(shù)據(jù)調(diào)整（Data Rescale） 78
3．4．3 數(shù)據(jù)重新編碼（Recode） 79
3．5 自動(dòng)數(shù)據(jù)準(zhǔn)備 83
3．5．1 Statistics中的自動(dòng)數(shù)據(jù)準(zhǔn)備 83
3．5．2 Modeler中的自動(dòng)數(shù)據(jù)準(zhǔn)備 88
3．6 本章小結(jié) 89
第4章經(jīng)典分析――統(tǒng)計(jì)學(xué)的魅力 91
4．1 隨機(jī)變量及分布 92
4．2 數(shù)理統(tǒng)計(jì)導(dǎo)引 94
4．3 參數(shù)估計(jì) 96
4．3．1 點(diǎn)估計(jì) 96
4．3．2 區(qū)間估計(jì) 97
4．4 假設(shè)檢驗(yàn) 98
4．4．1 正態(tài)分布檢驗(yàn)和t檢驗(yàn) 101
4．4．2 非參數(shù)檢驗(yàn) 108
4．5 相關(guān)分析 111
4．6 方差分析 113
4．7 回歸分析 114
4．7．1 線性回歸分析 114
4．7．2 自動(dòng)化線性回歸分析 120
4．7．3 廣義線性模型 122
4．7．4 廣義線性混合模型（Generalized Linear Mixed Mode，GLMM） 128
4．8 本章小結(jié) 135
第5章我想預(yù)測(cè)未來(lái) 136
5．1 數(shù)據(jù)挖掘的技術(shù)分類 136
5．1．1 有監(jiān)督的建模技術(shù) 137
5．1．2 無(wú)監(jiān)督的建模技術(shù) 138
5．1．3 Feature Selection對(duì)于分類的意義 139
5．1．4 查看建模的結(jié)果 139
5．2 決策樹 140
5．2．1 C5．0算法 141
5．2．2 分類和回歸樹 145
5．2．3 卡方自動(dòng)交互檢測(cè)法（CHAID） 147
5．2．4 快速、無(wú)偏、高效的統(tǒng)計(jì)樹（QUEST） 148
5．2．5 交互式的決策樹構(gòu)建方式 149
5．3 決策表 150
5．3．1 決策表算法的設(shè)置 151
5．3．2 交互式?jīng)Q策表的生成方式 153
5．4 貝葉斯網(wǎng)絡(luò) 154
5．4．1 一些基本概念 154
5．4．2 IBM SPSS的做法 156
5．5 神經(jīng)網(wǎng)絡(luò)（Neural Networks） 158
5．5．1 神經(jīng)網(wǎng)絡(luò)是什么 158
5．5．2 SPSS神經(jīng)網(wǎng)絡(luò)算法 160
5．6 支持向量機(jī)（Support Vector Machine） 162
5．6．1 什么是線性分類器 162
5．6．2 Modeler中的支持向量機(jī) 163
5．7 最近相鄰（Nearest Neighbor） 165
5．8 我該選用哪種算法 167
5．9 如何評(píng)價(jià)預(yù)測(cè)結(jié)果 170
5．9．1 基本指標(biāo) 170
5．9．2 Gains 171
5．9．3 Lift 173
5．9．4 Response 175
5．9．5 Profit 175
5．9．6 ROI 177
5．10 本章小結(jié) 177
第6章我想發(fā)現(xiàn)聚類（Cluster） 179
6．1 聚類技術(shù) 180
6．2 分層聚類 181
6．3 K-means 184
6．4 TwoStep 188
6．4．1 預(yù)聚類 189
6．4．2 離群值處理 189
6．4．3 聚類 189
6．4．4 TwoStep的使用 190
6．5 Kohonen network 192
6．6 我怎么知道聚類結(jié)果是好的 194
6．6．1 考察聚類的數(shù)量和每個(gè)聚類中的記錄數(shù) 194
6．6．2 考察聚類內(nèi)的特征 195
6．6．3 考察聚類間的特征 195
6．6．4 一個(gè)綜合的考察指標(biāo)Silhouette 196
6．7 自動(dòng)聚類 197
6．8 理解聚類的結(jié)果 198
6．9 一個(gè)聚類分析應(yīng)用的例子 201
6．10 本章小結(jié) 202
第7章周而復(fù)始的規(guī)律――時(shí)間序列分析 203
7．1 時(shí)間序列 204
7．1．1 時(shí)間序列的類型 204
7．1．2 時(shí)間序列的特征 205
7．2 指數(shù)平滑模型 206
7．2．1 簡(jiǎn)單指數(shù)平滑法 206
7．2．2 帶有趨勢(shì)調(diào)整的指數(shù)平滑法（霍爾特指數(shù)平滑法） 208
7．2．3 帶有阻尼趨勢(shì)的指數(shù)平滑法 208
7．2．4 簡(jiǎn)單季節(jié)指數(shù)平滑法 209
7．2．5 帶有趨勢(shì)和季節(jié)調(diào)整的指數(shù)平滑法（溫特斯指數(shù)平滑法） 209
7．2．6 指數(shù)平滑法的初始化 210
7．2．7 去除時(shí)間序列的趨勢(shì)和季節(jié)性因素 211
7．3 自回歸模型 212
7．3．1 自回歸模型 212
7．3．2 移動(dòng)平均模型 213
7．3．3 自回歸移動(dòng)平均模型（ARMA） 213
7．3．4 差分自回歸移動(dòng)平均模型 214
7．4 SPSS產(chǎn)品中的時(shí)間序列模型 214
7．4．1 Statistics中的時(shí)間序列模型 214
7．4．2 Modeler中的時(shí)間序列模型 235
7．5 時(shí)間序列分析的評(píng)價(jià) 238
7．6 本章小結(jié) 239
第8章你的行為完全可能被猜中――關(guān)聯(lián)規(guī)則分析 240
8．1 基本概念 241
8．2 Apriori算法 245
8．2．1 Apriori算法工作步驟 245
8．2．2 Apriori算法的評(píng)估方法 246
8．2．3 Apriori節(jié)點(diǎn) 247
8．3 CARMA算法 249
8．3．1 CARMA算法的工作步驟 249
8．3．2 CARMA節(jié)點(diǎn) 251
8．4 序列算法 252
8．5 關(guān)聯(lián)規(guī)則的評(píng)價(jià) 255
8．6 典型應(yīng)用案例 256
第9章我們還需要優(yōu)化技術(shù)的幫忙 257
9．1 什么是優(yōu)化技術(shù) 258
9．2 優(yōu)化問題的分類 259
9．2．1 線性規(guī)劃 260
9．2．2 整數(shù)規(guī)劃 261
9．2．3 多目標(biāo)規(guī)劃 262
9．2．4 動(dòng)態(tài)規(guī)劃 262
9．3 IBM ILOG Optimization介紹 263
9．4 本章小結(jié) 265
第10章有關(guān)方法論的問題 266
10．1 為什么我們要討論方法論 267
10．2 CRISP-DM 267
10．2．1 CRISP-DM方法學(xué) 268
10．2．2 CRISP-DM參考模型 270
10．3 IBM SPSS CaDS 273
10．3．1 Repository 273
10．3．2 Job 274
10．3．3 Model Refresh and Champion Challenger 274
10．3．4 Scoring 274
10．4 模型的部署不是終點(diǎn) 275
第11章一個(gè)時(shí)髦的領(lǐng)域――決策管理 276
11．1 決策管理系統(tǒng) 276
11．1．1 什么是決策 277
11．1．2 什么是決策管理系統(tǒng) 279
11．1．3 決策支持與決策管理的比較 281
11．2 構(gòu)建決策管理系統(tǒng) 282
11．2．1 構(gòu)建決策支持系統(tǒng)的原則 282
11．2．2 合適的決策 283
11．2．3 如何找到合適的決策 285
11．2．4 怎樣在決策管理系統(tǒng)中定義決策 287
11．2．5 決策管理系統(tǒng)中的優(yōu)化技術(shù) 292
11．2．6 決策影響的評(píng)估 294
11．2．7 監(jiān)控決策 297
11．2．8 決策的持續(xù)改進(jìn) 298
11．2．9 構(gòu)建和部署決策服務(wù) 299
11．2．10 實(shí)施決策管理的一些要求 300
11．3 IBM ADM 301
11．3．1 ADM是SPSS數(shù)據(jù)分析能力的窗口 301
11．3．2 ADM的著眼點(diǎn)是將數(shù)據(jù)分析結(jié)果轉(zhuǎn)化為決策 302
11．3．3 ADM是一個(gè)可以配置的決策服務(wù)平臺(tái) 303
11．3．4 ADM的工作步驟 306
11．4 本章小結(jié) 308
后記為未來(lái)做好準(zhǔn)備 309