发现数据之美 数据分析原理与实践2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

发现数据之美 数据分析原理与实践PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 业务分析是一个蓬勃发展的方向1

1.1 业务分析是什么2

1.2 业务分析的应用现状3

1.3 如何应用业务分析5

1.4 大数据与业务分析8

1.5 我们还在等什么9

第2章 开始我们的旅程——从数据谈起10

2.1 我们讨论的数据结构11

2.1.1 行（Row）是什么12

2.1.2 列（Column）是什么13

2.1.3 多少行数据才合适15

2.1.4 我们需要什么样的列16

2.2 Statistics和Modeler的基本知识18

2.3 数据导入（Loading Data）24

2.4 数据探查（Data Exploring）27

2.4.1 正态分布（Normal Distribution）28

2.4.2 数据探查的常见统计量30

2.4.3 数据可视化35

2.5 本章小结47

第3章 在分析之前，还需要数据预处理48

3.1 数据的问题49

3.2 数据校验50

3.2.1 验证规则50

3.2.2 验证数据53

3.2.3 数据审计（Data Audit）57

3.2.4 识别异常数据60

3.3 数据集成（Data Integration）65

3.3.1 在Statistics中进行数据集成66

3.3.2 在Modeler 中进行数据集成68

3.4 数据转换（Data Transformation）73

3.4.1 分箱（Binning）73

3.4.2 数据调整（Data Rescale）78

3.4.3 数据重新编码（Recode）79

3.5 自动数据准备83

3.5.1 Statistics中的自动数据准备83

3.5.2 Modeler中的自动数据准备88

3.6 本章小结89

第4章 经典分析——统计学的魅力91

4.1 随机变量及分布92

4.2 数理统计导引94

4.3 参数估计96

4.3.1 点估计96

4.3.2 区间估计97

4.4 假设检验98

4.4.1 正态分布检验和t检验101

4.4.2 非参数检验108

4.5 相关分析111

4.6 方差分析113

4.7 回归分析114

4.7.1 线性回归分析114

4.7.2 自动化线性回归分析120

4.7.3 广义线性模型122

4.7.4 广义线性混合模型（Generalized Linear Mixed Mode,GLMM）128

4.8 本章小结135

第5章 我想预测未来136

5.1 数据挖掘的技术分类136

5.1.1 有监督的建模技术137

5.1.2 无监督的建模技术138

5.1.3 Feature Selection对于分类的意义139

5.1.4 查看建模的结果139

5.2 决策树140

5.2.1 C5.0算法141

5.2.2 分类和回归树145

5.2.3 卡方自动交互检测法（CHAID）147

5.2.4 快速、无偏、高效的统计树（QUEST）148

5.2.5 交互式的决策树构建方式149

5.3 决策表150

5.3.1 决策表算法的设置151

5.3.2 交互式决策表的生成方式153

5.4 贝叶斯网络154

5.4.1 一些基本概念154

5.4.2 IBM SPSS的做法156

5.5 神经网络（Neural Networks）158

5.5.1 神经网络是什么158

5.5.2 SPSS神经网络算法160

5.6 支持向量机（Support Vector Machine）162

5.6.1 什么是线性分类器162

5.6.2 Modeler中的支持向量机163

5.7 最近相邻（Nearest Neighbor）165

5.8 我该选用哪种算法167

5.9 如何评价预测结果170

5.9.1 基本指标170

5.9.2 Gains171

5.9.3 Lift173

5.9.4 Response175

5.9.5 Profit175

5.9.6 ROI177

5.1 0本章小结177

第6章 我想发现聚类Cluster）179

6.1 聚类技术180

6.2 分层聚类181

6.3 K-means184

6.4 TwoStep188

6.4.1 预聚类189

6.4.2 离群值处理189

6.4.3 聚类189

6.4.4 TwoStep的使用190

6.5 Kohonen network192

6.6 我怎么知道聚类结果是好的194

6.6.1 考察聚类的数量和每个聚类中的记录数194

6.6.2 考察聚类内的特征195

6.6.3 考察聚类间的特征195

6.6.4 一个综合的考察指标Silhouette196

6.7 自动聚类197

6.8 理解聚类的结果198

6.9 一个聚类分析应用的例子201

6.1 0本章小结202

第7章 周而复始的规律——时间序列分析203

7.1 时间序列204

7.1.1 时间序列的类型204

7.1.2 时间序列的特征205

7.2 指数平滑模型206

7.2.1 简单指数平滑法206

7.2.2 带有趋势调整的指数平滑法（霍尔特指数平滑法）208

7.2.3 带有阻尼趋势的指数平滑法208

7.2.4 简单季节指数平滑法209

7.2.5 带有趋势和季节调整的指数平滑法（温特斯指数平滑法）209

7.2.6 指数平滑法的初始化210

7.2.7 去除时间序列的趋势和季节性因素211

7.3 自回归模型212

7.3.1 自回归模型212

7.3.2 移动平均模型213

7.3.3 自回归移动平均模型（ARMA）213

7.3.4 差分自回归移动平均模型214

7.4 SPSS产品中的时间序列模型214

7.4.1 Statistics中的时间序列模型214

7.4.2 Modeler中的时间序列模型235

7.5 时间序列分析的评价238

7.6 本章小结239

第8章 你的行为完全可能被猜中——关联规则分析240

8.1 基本概念241

8.2 Apriori算法245

8.2.1 Apriori算法工作步骤245

8.2.2 Apriori算法的评估方法246

8.2.3 Apriori节点247

8.3 CARMA算法249

8.3.1 CARMA算法的工作步骤249

8.3.2 CARMA节点251

8.4 序列算法252

8.5 关联规则的评价255

8.6 典型应用案例256

第9章 我们还需要优化技术的帮忙257

9.1 什么是优化技术258

9.2 优化问题的分类259

9.2.1 线性规划260

9.2.2 整数规划261

9.2.3 多目标规划262

9.2.4 动态规划262

9.3 IBM ILOG Optimization介绍263

9.4 本章小结265

第10章 有关方法论的问题266

10.1 为什么我们要讨论方法论267

10.2 CRISP-DM267

10.2.1 CRISP-DM方法学268

10.2.2 CRISP-DM参考模型270

10.3 IBM SPSS CaDS273

10.3.1 Repository273

10.3.2 Job274

10.3.3 Model Refresh and Champion Challenger274

10.3.4 Scoring274

10.4 模型的部署不是终点275

第11章 一个时髦的领域——决策管理276

11.1 决策管理系统276

11.1.1 什么是决策277

11.1.2 什么是决策管理系统279

11.1.3 决策支持与决策管理的比较281

11.2 构建决策管理系统282

11.2.1 构建决策支持系统的原则282

11.2.2 合适的决策283

11.2.3 如何找到合适的决策285

11.2.4 怎样在决策管理系统中定义决策287

11.2.5 决策管理系统中的优化技术292

11.2.6 决策影响的评估294

11.2.7 监控决策297

11.2.8 决策的持续改进298

11.2.9 构建和部署决策服务299

11.2.10 实施决策管理的一些要求300

11.3 IBM ADM301

11.3.1 ADM是SPSS数据分析能力的窗口301

11.3.2 ADM的着眼点是将数据分析结果转化为决策302

11.3.3 ADM是一个可以配置的决策服务平台303

11.3.4 ADM的工作步骤306

11.4 本章小结308

后记 为未来做好准备309