色综合久久88色综合天天,18款禁用软件app2023年

通過做數(shù)據(jù)分析學(xué)習(xí)數(shù)據(jù)分析　　《數(shù)據(jù)挖掘與預(yù)測(cè)分析(第2版)》提供了從數(shù)據(jù)準(zhǔn)備到探索性數(shù)據(jù)分析、數(shù)據(jù)建模及模型評(píng)估等整個(gè)數(shù)據(jù)分析過程的內(nèi)容�！稊�(shù)據(jù)挖掘與預(yù)測(cè)分析(第2版)》不僅提供了理解軟件底層算法的白盒方法，而且提供了能夠使讀者利用現(xiàn)實(shí)世界數(shù)據(jù)集開展數(shù)據(jù)挖掘與預(yù)測(cè)分析的應(yīng)用方法。第2版的新內(nèi)容： ● 添加了500多頁的新內(nèi)容，包括20個(gè)新章節(jié)，例如，數(shù)據(jù)建模準(zhǔn)備、成本-效益分析、缺失數(shù)據(jù)填充、聚類優(yōu)劣度量以及細(xì)分模型等。 ● 針對(duì)前沿主題的新章節(jié)，例如，多元分類模型、BIRCH聚類、集成學(xué)習(xí)(bagging及boosting)、模型投票與趨向平均等。 ● 每章節(jié)后均附有R語言開發(fā)園地，讀者可以獲得完成書中分析所需的R語言源代碼，以及通過R代碼生成的圖、表和結(jié)果。 ● 書中的附錄為那些對(duì)統(tǒng)計(jì)基礎(chǔ)生疏的讀者提供了了解基本概念的材料。 ● 超過750個(gè)章節(jié)練習(xí)，使讀者能夠自己測(cè)試對(duì)所學(xué)知識(shí)的掌握程度，并著手開展數(shù)據(jù)挖掘與預(yù)測(cè)分析工作。　　《數(shù)據(jù)挖掘與預(yù)測(cè)分析(第2版)》將對(duì)數(shù)據(jù)分析人員、數(shù)據(jù)庫分析人員以及CIO具有極大的吸引力，通過學(xué)習(xí)將使他們知道何種類型的分析將會(huì)增加其投資回報(bào)。

序言什么是數(shù)據(jù)挖掘？什么是預(yù)測(cè)分析數(shù)據(jù)挖掘是從大型數(shù)據(jù)集合中發(fā)現(xiàn)有用的模式和趨勢(shì)的過程。預(yù)測(cè)分析是從大型數(shù)據(jù)集合中抽取信息以便對(duì)未來的情況做出預(yù)測(cè)和估計(jì)的過程。由Daniel Larose 和 Chantal Larose合著的《數(shù)據(jù)挖掘與預(yù)測(cè)分析(第2版)》一書能夠確保讀者成為這一前沿且大有前途的領(lǐng)域的專家。為什么需要本書根據(jù)MarketsandMarkets研究公司的調(diào)查，從2013年～2018年，全球大數(shù)據(jù)市場(chǎng)有望以每年26%的速度增長(zhǎng)，將從2013年的148.7億美元增加到2018年的463.4億美元。世界范圍內(nèi)的公司和團(tuán)體正在學(xué)習(xí)如何應(yīng)用數(shù)據(jù)挖掘和預(yù)測(cè)分析以增加利潤(rùn)。尚未應(yīng)用數(shù)據(jù)挖掘和預(yù)測(cè)分析的公司將會(huì)在21世紀(jì)經(jīng)濟(jì)的全球競(jìng)爭(zhēng)中落伍。在大多數(shù)領(lǐng)域中，人類都被數(shù)據(jù)所淹沒。遺憾的是，這些花費(fèi)龐大成本收集得到的數(shù)據(jù)多數(shù)都被遺棄在數(shù)據(jù)倉庫中。問題是，缺乏足夠的、受過良好訓(xùn)練的、具備將這些數(shù)據(jù)轉(zhuǎn)換為人類需要的知識(shí)并就此將分類樹轉(zhuǎn)換為智慧的分析人員。這也是編寫本書的目的所在。McKinsey Global Institute報(bào)告指出：公司在利用大數(shù)據(jù)的技能需求方面將會(huì)存在人才短缺現(xiàn)象。從大數(shù)據(jù)中獲取價(jià)值的制約主要體現(xiàn)在缺乏必要的人才，特別是缺乏那些掌握統(tǒng)計(jì)和機(jī)器學(xué)習(xí)專門知識(shí)的人才，缺乏能夠使用從大數(shù)據(jù)中獲取的見識(shí)來運(yùn)營(yíng)公司的管理人員和分析人員。我們認(rèn)為對(duì)大數(shù)據(jù)世界開展分析工作的職位比目前能夠提供的缺少大約140 000～190 000個(gè)。此外，我們認(rèn)為在美國額外還將需要150萬位能夠提出正確問題并能夠有效利用大數(shù)據(jù)分析結(jié)果的管理和分析人員。本書試圖幫助解決數(shù)據(jù)分析人員短缺的問題。數(shù)據(jù)挖掘得到越來越廣泛的應(yīng)用，因?yàn)樗兄谠鰪?qiáng)公司從其已有的數(shù)據(jù)集合中發(fā)現(xiàn)有利的模式和趨勢(shì)的能力。公司和團(tuán)體花費(fèi)了大量的金錢，收集到海量的數(shù)據(jù)，但是未能很好地利用隱藏在其數(shù)據(jù)倉庫中的有價(jià)值的和可操作的信息。然而，隨著數(shù)據(jù)挖掘?qū)嵺`變得越來越廣泛，無法應(yīng)用這些技術(shù)的公司將存在落后于市場(chǎng)的危險(xiǎn)，將逐漸失去市場(chǎng)份額，因?yàn)樗麄兊母?jìng)爭(zhēng)對(duì)手都在使用數(shù)據(jù)挖掘，從而贏得競(jìng)爭(zhēng)優(yōu)勢(shì)。誰將從本書獲益《數(shù)據(jù)挖掘和預(yù)測(cè)分析(第2版)》一書通過逐步動(dòng)手解決現(xiàn)實(shí)世界的現(xiàn)實(shí)問題，介紹了當(dāng)前廣泛運(yùn)用于現(xiàn)實(shí)世界數(shù)據(jù)集合中的數(shù)據(jù)挖掘技術(shù)，這一方式將吸引管理人員、首席信息官、首席執(zhí)行官、首席財(cái)務(wù)官、數(shù)據(jù)分析人員、數(shù)據(jù)庫分析人員以及其他需要了解最新方法以提高投資回報(bào)率的群體的注意。利用《數(shù)據(jù)挖掘與預(yù)測(cè)分析(第2版)》，你將學(xué)習(xí)什么類型的分析能夠從數(shù)據(jù)中發(fā)現(xiàn)最有益的知識(shí)，同時(shí)避免進(jìn)入可能會(huì)導(dǎo)致公司投入大量資金而不能帶來相應(yīng)利益的誤區(qū)。你將通過真正實(shí)踐數(shù)據(jù)挖掘和預(yù)測(cè)分析來學(xué)習(xí)數(shù)據(jù)挖掘和預(yù)測(cè)分析。危險(xiǎn)！數(shù)據(jù)挖掘容易被搞砸能夠開展數(shù)據(jù)挖掘工作的新的現(xiàn)有軟件平臺(tái)不斷涌現(xiàn)，這將帶來新的危險(xiǎn)。這些應(yīng)用處理數(shù)據(jù)非常方便，強(qiáng)大的數(shù)據(jù)挖掘算法以黑盒方式嵌入到軟件中，導(dǎo)致濫用情況出現(xiàn)的比例更高，從而帶來巨大的危險(xiǎn)。簡(jiǎn)言之，數(shù)據(jù)挖掘工作不容易做好。將強(qiáng)大的模型應(yīng)用于海量數(shù)據(jù)時(shí)，一知半解特別危險(xiǎn)。例如，對(duì)未經(jīng)過預(yù)處理的數(shù)據(jù)開展分析工作可能會(huì)得出錯(cuò)誤的結(jié)論，或者對(duì)數(shù)據(jù)集采用不適當(dāng)?shù)姆治龇椒�，又或者模型�?gòu)建基于完全不正確或似是而非的假設(shè)之上。如果進(jìn)行了部署，分析中存在的這些錯(cuò)誤可能會(huì)讓你付出昂貴的代價(jià)�！稊�(shù)據(jù)挖掘與預(yù)測(cè)分析(第2版)》一書有助于使你成為一名能夠避免進(jìn)入這些昂貴陷阱的精明的分析人員。白盒方法了解基本算法和模型結(jié)構(gòu)數(shù)據(jù)挖掘和預(yù)測(cè)分析出現(xiàn)問題的癥結(jié)在于盲目采用黑盒方法，避免代價(jià)昂貴錯(cuò)誤的最佳方法是轉(zhuǎn)而采用白盒方法，白盒方法強(qiáng)調(diào)要求對(duì)軟件中基本算法和統(tǒng)計(jì)模型結(jié)構(gòu)的了解�！稊�(shù)據(jù)挖掘與預(yù)測(cè)分析(第2版)》通過如下方式應(yīng)用白盒方法：● 明確地揭示為什么需要運(yùn)用某一特定方法或算法�！� 讓讀者了解某個(gè)算法或方法是如何工作的，采用實(shí)例(小型數(shù)據(jù)集)解釋，以便讀者逐步了解其中的邏輯關(guān)系，從而以白盒方法了解方法或算法的內(nèi)部工作模式。● 提供將方法應(yīng)用于大型、現(xiàn)實(shí)世界數(shù)據(jù)集的實(shí)例�！� 通過練習(xí)測(cè)試讀者對(duì)概念和算法的理解程度。● 為讀者提供將數(shù)據(jù)挖掘應(yīng)用于大型數(shù)據(jù)集的經(jīng)驗(yàn)。算法概覽《數(shù)據(jù)挖掘與預(yù)測(cè)分析(第2版)》將利用小型數(shù)據(jù)集，指引讀者學(xué)習(xí)各種算法的操作和細(xì)微差異，讓讀者真正理解算法的內(nèi)部工作情況。例如，在第21章中，我們將逐步利用小型數(shù)據(jù)庫，應(yīng)用BIRCH聚類算法(BIRCH是層次聚類的一種方法)學(xué)習(xí)平衡迭代消減和聚類，精確地展示BIRCH如何針對(duì)數(shù)據(jù)集選擇優(yōu)化的聚類解決方法。正如我們所知，此類演示是本書針對(duì)BIRCH算法的獨(dú)特方法。同樣，在第27章中，我們將通過使用選擇、交叉和變異操作算子，針對(duì)小型數(shù)據(jù)集逐步發(fā)現(xiàn)優(yōu)化解決方案，以便讀者能夠更好地理解所涉及的過程。將算法和模型應(yīng)用到大型數(shù)據(jù)庫《數(shù)據(jù)挖掘與預(yù)測(cè)分析(第2版)》提供了大量將數(shù)據(jù)分析方法應(yīng)用于大型數(shù)據(jù)庫的示例。例如，第9章通過利用實(shí)際數(shù)據(jù)庫，解析營(yíng)養(yǎng)等級(jí)與谷物含量之間的關(guān)系。在第4章中，我們將主成分分析應(yīng)用于實(shí)際的加利福尼亞州的人口普查數(shù)據(jù)中。所有數(shù)據(jù)集均可從本書網(wǎng)站www.dataminingconsultant.com中獲得。章節(jié)練習(xí)：檢查并確認(rèn)讀者是否了解了本章內(nèi)容《數(shù)據(jù)挖掘與預(yù)測(cè)分析(第2版)》一書的各章中包含大約750個(gè)練習(xí)，有助于讀者了解自己對(duì)各章提供材料的理解程度，并從中體驗(yàn)與數(shù)字和數(shù)據(jù)打交道的樂趣。這些練習(xí)包含概念辨析類型的練習(xí)，可幫助讀者進(jìn)一步梳理清楚數(shù)據(jù)挖掘中某些更具有挑戰(zhàn)性的概念；利用數(shù)據(jù)開展工作的練習(xí)，幫助讀者將特定數(shù)據(jù)挖掘算法應(yīng)用到小型數(shù)據(jù)集中，從而能夠逐步實(shí)現(xiàn)較好的解決方案。例如，在第14章中，我們要求讀者通過該章提供的數(shù)據(jù)集獲得最大后驗(yàn)分類。動(dòng)手實(shí)踐：通過實(shí)際編寫數(shù)據(jù)挖掘算法學(xué)習(xí)數(shù)據(jù)挖掘本書大多數(shù)章節(jié)為讀者提供了動(dòng)手實(shí)踐分析問題，為讀者提供了運(yùn)用新學(xué)的數(shù)據(jù)挖掘?qū)I(yè)知識(shí)，解決大型數(shù)據(jù)集實(shí)際問題的方法。許多人都喜歡邊學(xué)邊做，而《數(shù)據(jù)挖掘與預(yù)測(cè)分析(第2版)》為讀者提供了一個(gè)邊學(xué)邊做的框架。例如，在第13章中，讀者將采用實(shí)際的信用卡審批分類數(shù)據(jù)集，構(gòu)建自己的最佳logistic回歸模型，盡可能利用從該章中學(xué)習(xí)到的方法，提供對(duì)模型強(qiáng)大的、可解釋的支持，包括對(duì)獲取的變量及標(biāo)識(shí)變量的解釋。令人興奮的新主題《數(shù)據(jù)挖掘與預(yù)測(cè)分析(第2版)》一書還提供大量令人興奮的新主題，主要包括：● 通過利用數(shù)據(jù)驅(qū)動(dòng)的誤分類開銷實(shí)現(xiàn)成本-效益分析● 獨(dú)立或多元分類模型的成本-效益分析● 分類模型的圖形化評(píng)估方法● BIRCH聚類● 分段模型● 集成方法：bagging和boosting方法● 模型投票與趨向平均● 缺失數(shù)據(jù)的填補(bǔ)方法R語言開發(fā)園地R語言是一種探索及分析數(shù)據(jù)集的功能強(qiáng)大的開源語言。使用R語言的分析人員可以利用大量免費(fèi)的程序包、例程和圖形用戶界面來解決大多數(shù)數(shù)據(jù)分析問題。本書大多數(shù)章節(jié)中都為讀者提供R語言開發(fā)園地，用R語言獲得章節(jié)中涉及內(nèi)容的結(jié)果，以及部分輸出的截圖。附錄：數(shù)據(jù)匯總與可視化一些讀者可能不大容易理解某些統(tǒng)計(jì)和圖形化概念，這些概念通常會(huì)在統(tǒng)計(jì)課程中學(xué)習(xí)�！稊�(shù)據(jù)挖掘與預(yù)測(cè)分析(第2版)》一書提供了介紹常見概念和術(shù)語的附錄，為讀者更好地理解本書的相關(guān)材料奠定基礎(chǔ)。案例研究：分析方法匯總《數(shù)據(jù)挖掘與預(yù)測(cè)分析(第2版)》最后提供了詳細(xì)的案例研究。通過對(duì)案例的研究，讀者能夠了解怎樣將自己從書中學(xué)習(xí)到的方法融會(huì)貫通，以建立可操作的、有益的解決方案。詳細(xì)的案例研究包括在以下4章中：● 第29章案例研究，第1部分：業(yè)務(wù)理解、數(shù)據(jù)預(yù)處理和探索性數(shù)據(jù)分析�！� 第30章案例研究，第2部分：聚類與主成分分析。● 第31章案例研究，第3部分：建模與評(píng)估性能和可解釋性�！� 第32章案例研究，第4部分：高性能建模與評(píng)估案例研究中包含大量圖形、探索數(shù)據(jù)分析、預(yù)測(cè)模型、客戶分析，并提供針對(duì)不同用戶需求的解決方案。采用定制的數(shù)據(jù)驅(qū)動(dòng)成本效益表的模型評(píng)估方法，反映分類誤差的真正開銷，而不是采用常見的諸如總體誤差率等評(píng)估方法。因此，分析人員能夠使用每位客戶接觸的開銷對(duì)模型進(jìn)行比較工作，給予接觸客戶的數(shù)量，預(yù)測(cè)模型能夠?qū)崿F(xiàn)多少利潤(rùn)。本書組織結(jié)構(gòu)《數(shù)據(jù)挖掘與預(yù)測(cè)分析(第2版)》一書的組織結(jié)構(gòu)有助于讀者直接發(fā)現(xiàn)相關(guān)的邏輯。共設(shè)32章，包含8個(gè)主要部分：● 第Ⅰ部分是數(shù)據(jù)準(zhǔn)備，包含有關(guān)數(shù)據(jù)預(yù)處理、探索性數(shù)據(jù)分析、降維方法等章節(jié)�！� 第Ⅱ部分是統(tǒng)計(jì)分析，提供開展數(shù)據(jù)分析工作常見的經(jīng)典統(tǒng)計(jì)方法，包括單變量統(tǒng)計(jì)分析及多元變量統(tǒng)計(jì)分析、簡(jiǎn)單及多元線性回歸方法、為構(gòu)建模型準(zhǔn)備數(shù)據(jù)、模型構(gòu)建等章節(jié)�！� 第Ⅲ部分是分類，包含9章，是本書涉及內(nèi)容最多的部分：其中包含k-最近鄰算法、決策樹、神經(jīng)元網(wǎng)絡(luò)、logistic回歸、樸素貝葉斯與貝葉斯網(wǎng)絡(luò)、模型評(píng)估技術(shù)、基于數(shù)據(jù)驅(qū)動(dòng)成本的成本-效益分析、二元及k元分類模型、分類模型的圖形化評(píng)估等。● 第Ⅳ部分是聚類，包含層次聚類和k-均值聚類、Kohonen網(wǎng)絡(luò)、BIRCH聚類、度量簇的優(yōu)劣等�！� 第Ⅴ部分是關(guān)聯(lián)規(guī)則，本部分僅包含一章內(nèi)容，涵蓋A Priori關(guān)聯(lián)規(guī)則以及廣義規(guī)則歸納。● 第Ⅵ部分是模型性能強(qiáng)化，提供細(xì)分模型、集成方法：bagging和boosting、模型投票與趨向平均等章節(jié)�！� 第Ⅶ部分介紹針對(duì)預(yù)測(cè)建模的其他方法，包括缺失數(shù)據(jù)填補(bǔ)以及遺傳算法等�！� 第Ⅷ部分是案例研究：針對(duì)直郵市場(chǎng)的預(yù)測(cè)響應(yīng)，包括4章，給出如何從直郵市場(chǎng)營(yíng)銷活動(dòng)中獲取最大利潤(rùn)的完整案例分析方法。軟件本書使用的軟件包括：● IBP SPSS Modeler數(shù)據(jù)挖掘軟件套件● R開放源代碼統(tǒng)計(jì)分析軟件● SAS Enterprise Miner● SAS統(tǒng)計(jì)分析軟件● Minitab統(tǒng)計(jì)分析軟件● Weka開放源代碼數(shù)據(jù)挖掘軟件IBM SPSS Modeler是數(shù)據(jù)挖掘領(lǐng)域應(yīng)用最廣泛的數(shù)據(jù)挖掘軟件套件，該軟件由SPSS開發(fā)(www-01.ibm.com/software/analytics/spss/products/modeler/)，本書采用了其基本軟件。SAS Enterprise Miner比IBM Modeler功能更強(qiáng)大，但學(xué)習(xí)該軟件比較困難。SPSS可以獲得免費(fèi)試用版(通過Google搜索spss即可下載)。Minitab是簡(jiǎn)單易用的統(tǒng)計(jì)軟件包，可以在該公司提供的網(wǎng)站www.minitab.com下載試用版。Weka：開源軟件Weka機(jī)器學(xué)習(xí)平臺(tái)是一種基于GNU通用公共許可證發(fā)布的開源軟件，它包括實(shí)現(xiàn)多數(shù)數(shù)據(jù)挖掘任務(wù)所需要的工具集合。《數(shù)據(jù)挖掘與預(yù)測(cè)分析(第2版)》利用Weka 3.6開發(fā)動(dòng)手實(shí)踐、一步一步實(shí)例教程等，該軟件可從本書的相關(guān)網(wǎng)站www.dataminingconsultant.com獲得。讀者可以使用Weka執(zhí)行如下類型的分析：logistic回歸(見第13章)、樸素貝葉斯分類(見第14章)、貝葉斯網(wǎng)絡(luò)分類(見第14章)、遺傳算法(見第27章)。有關(guān)Weka的更多信息可參考www.cs.waikato.ac.nz/ml/weka。作者非常感謝James Steck提供了大量的Weka實(shí)例和練習(xí)。James Steck(jame_steck@comcast.net)是2005年康涅狄格州州立中央大學(xué)最早獲得數(shù)據(jù)挖掘?qū)W科碩士學(xué)位的學(xué)生之一，也是最早獲得研究生學(xué)術(shù)研究獎(jiǎng)的學(xué)生。本書網(wǎng)站www.dataminingconsultant.com讀者可以獲得由Daniel Larose和Chantal Larose撰寫的、Wiley InterScience出版的數(shù)據(jù)挖掘書籍相關(guān)材料。通過該網(wǎng)站，或掃描本書封底的二維碼，可以下載本書用到的大多數(shù)數(shù)據(jù)集，方便讀者動(dòng)手實(shí)踐開發(fā)各種本書提到的分析方法和模型。網(wǎng)站還包括勘誤表和比較完整的數(shù)據(jù)挖掘相關(guān)資源，涉及數(shù)據(jù)集鏈接、數(shù)據(jù)挖掘研究組鏈接以及相關(guān)的研究論文等。然而，本網(wǎng)站真正強(qiáng)大的原因還在于可供講授本書的教師使用，提供的資源包括：● 所有練習(xí)的答案，包括動(dòng)手實(shí)踐分析�！� 各章的PPT，可方便教學(xué)工作�！� 示例數(shù)據(jù)挖掘課程項(xiàng)目，由作者親自編寫，可以在你的課程講授中采用�！� 實(shí)際的數(shù)據(jù)集，可用于課程學(xué)習(xí)參考。● 每章所涉及的網(wǎng)絡(luò)資源。作為教材的《數(shù)據(jù)挖掘與預(yù)測(cè)分析(第2版)》《數(shù)據(jù)挖掘與預(yù)測(cè)分析(第2版)》自然適合作為1學(xué)期或2學(xué)期課程的課本，2學(xué)期課程內(nèi)容可分為數(shù)據(jù)挖掘介紹和中級(jí)數(shù)據(jù)挖掘。教師在授課時(shí)可獲得如下好處：● 數(shù)據(jù)挖掘過程介紹�！� 白盒方法，強(qiáng)調(diào)理解基本算法的結(jié)構(gòu)：? 利用玩具數(shù)據(jù)集講授算法概覽。? 將算法應(yīng)用于大型數(shù)據(jù)集。? 超過300幅圖、275張表。? 包含750道章節(jié)練習(xí)和動(dòng)手實(shí)踐分析�！� 大量令人興奮的新專題，例如基于數(shù)據(jù)驅(qū)動(dòng)誤分類開銷的成本-效益分析�！� 詳細(xì)的案例研究，有助于融會(huì)貫通前28章介紹的內(nèi)容�！� 附錄：數(shù)據(jù)匯總與可視化，包含讀者可能比較生疏的統(tǒng)計(jì)和圖形方面的概念綜述。● 對(duì)應(yīng)Web網(wǎng)站，提供了上述內(nèi)容詳細(xì)的資源列表�！稊�(shù)據(jù)挖掘與預(yù)測(cè)分析(第2版)》可作為本科高年級(jí)或研究生課程內(nèi)容。若先有選修統(tǒng)計(jì)方面的課程更好，但并非必需。讀者不需要具備計(jì)算機(jī)編程經(jīng)驗(yàn)或數(shù)據(jù)庫的專門知識(shí)。

你還可能感興趣

我要評(píng)論