了得網計算機/網絡_商務數據挖掘與應用案例分析

編輯推薦

(1) 介紹數據挖掘的基本原理，注重原理、方法的應用背景分析，使讀者理解原理可能的應用場景；(2) 通過7個行業的應用案例展示數據挖掘技術的價值，架設理論與實際的橋梁。

內容簡介

本書由認識篇、技術篇和案例篇三部分組成，以商業領域中的問題為背景，重點在於講解數據挖掘技術的應用。認識篇從整體上介紹了數據挖掘的各種技術和數據挖掘建模過程，可使讀者了解數據挖掘技術在商業領域中的應用概貌；技術篇介紹了數據挖掘中的聚類分析、分類、回歸、關聯規則挖掘、離群點檢測等方法；案例篇展示了數據挖掘在6個不同行業中的應用案例，期望通過案例的分析使讀者能夠理解如何應用數據挖掘技術解決商業領域中的問題。

作者簡介

1984.8—1998.3在邵陽師專數學繫任教； 1998.4—2005.6在衡陽師範學院計算機繫任教，歷任計算機繫常務副主任、主任； 2005.7—至今，在廣東外語外貿大學信息學院任教

上篇認識篇
第1章緒論
1.1引例
1.2數據挖掘產生的背景及概念
1.2.1數據挖掘產生的背景
1.2.2數據挖掘概念
1.3數據挖掘任務及過程
1.3.1數據挖掘任務
1.3.2數據挖掘過程
1.4數據挖掘常用軟件簡介
1.5數據挖掘在商業領域中的應用
1.5.1市場營銷
1.5.2交叉銷售與交叉營銷
1.5.3客戶關繫管理上篇認識篇

第1章緒論

1.1引例

1.2數據挖掘產生的背景及概念

1.2.1數據挖掘產生的背景

1.2.2數據挖掘概念

1.3數據挖掘任務及過程

1.3.1數據挖掘任務

1.3.2數據挖掘過程

1.4數據挖掘常用軟件簡介

1.5數據挖掘在商業領域中的應用

1.5.1市場營銷

1.5.2交叉銷售與交叉營銷

1.5.3客戶關繫管理

1.5.4個性化推薦與個性化服務

1.5.5風險分析與控制

1.5.6欺詐行為檢測和異常模式的發現

1.5.7供應鏈庫存管理中的需求預測

1.5.8人力資源管理

1.6數據挖掘技術的前景

1.7本章小結

第2章數據挖掘建模方法

2.1概述

2.2業務理解

2.3數據理解

2.4數據準備

2.5建模

2.5.1成功建立預測模型的注意要點

2.5.2如何建立有效的預測模型

2.6評估

2.7部署

2.8本章小結

中篇技術篇

第3章聚類分析

3.1概述

3.2相似性度量

3.2.1數據及數據類型

3.2.2屬性之間的相似性度量

3.2.3對像之間的相似性度量

3.3k-means算法及其改進

3.3.1k-means算法

3.3.2k-means聚類算法的改進

3.4一趟聚類算法

3.4.1算法描述

3.4.2聚類閾值的選擇策略

3.5層次聚類算法

3.5.1概述

3.5.2BIRCH算法

3.5.3兩步聚類算法

3.6SOM算法

3.6.1SOM算法中網絡的拓撲結構

3.6.2SOM算法的聚類原理

3.7聚類算法評價

3.7.1監督度量

3.7.2非監督度量

3.8綜合例子

3.9本章小結

第4章分類

4.1概述

4.2決策樹分類方法

4.2.1決策樹的基本概念

4.2.2決策樹的構建

4.2.3Hunt算法

4.2.4C4.5分類算法

4.2.5CART算法

4.2.6C4.5與CART算法的區別

4.2.7決策樹分類算法的優點

4.3樸素貝葉斯分類方法

4.3.1樸素貝葉斯算法的相關概念

4.3.2零條件概率問題的處理

4.3.3樸素貝葉斯算法的優缺點

4.4近鄰KNN分類方法

4.4.1近鄰分類的基本概念

4.4.2KNN算法優缺點

4.4.3KNN的擴展

4.5集成分類器

4.5.1集成分類器的過程描述

4.5.2構建集成分類器的方法

4.5.3集成分類器方法優缺點

4.6分類方法評價

4.7綜合例子

4.8本章小結

第5章關聯規則分析

5.1概述

5.2關聯規則分析基礎

5.2.1基本概念

5.2.2基礎分析方法

5.3Apriori算法

5.3.1Apriori性質

5.3.2Apriori算法原理

5.3.3Apriori算法演示示例

5.3.4Apriori算法評價

5.4CARMA算法

5.4.1PhaseI階段

5.4.2PhaseII階段

5.5產生關聯規則

5.5.1一般關聯規則的產生

5.5.2Apriori算法關聯規則的產生

5.5.3規則的評估標準

5.6關聯規則擴展

5.6.1多層次關聯規則

5.6.2多維度關聯規則

5.6.3定量關聯規則

5.6.4基於約束的關聯規則

5.6.5序列模式挖掘

5.7綜合例子

5.7.1概述

5.7.2案例分析流程

5.8本章小結

第6章離群點檢測

6.1概述

6.2基於相對密度的離群點檢測方法

6.3基於聚類的離群點檢測方法

6.3.1基於對像的離群因子方法

6.3.2基於簇的離群因子檢測方法

6.3.3基於聚類的動態數據離群點檢測

6.4離群點檢測方法的評估

6.5本章小結

第7章回歸分析

7.1概述

7.2線性回歸模型

7.2線性回歸模型的表示

7.2線性回歸模型的檢驗

7.3非線性回歸

7.4邏輯回歸

7.4Logistic回歸模型

7.4.2Logistic回歸模型的繫數估計

7.4.3Logistic回歸模型繫數的解釋

7.4.4顯著性檢驗

7.4.5回歸方程的擬合優度檢驗

7.5本章小結

第8章為挖掘準備數據

8.1數據統計特性

8.1.1頻率和眾數

8.1.2百分位數

8.1.3中心度量

8.1.4散布程度度量

8.2數據預處理

8.2.1數據清理

8.2.2數據集成

8.2.3數據變換

8.2.4數據歸約

8.3本章小結

下篇案例篇

第9章Clementine使用簡介

9.1Clementine概述

9.2Clementine數據流操作

9.2.1生成數據流的基本過程

9.2.2節點操作

9.2.3數據流的其他管理

9.3輸入、輸出節點介紹

9.3.1數據源節點

9.3.2類型節點

9.3.3表節點

9.3.4數據導出節點

9.4數據預處理節點介紹

9.4.1過濾節點

9.4.2選擇節點

9.4.3抽樣節點

9.4.4平衡節點

9.4.5排序節點

9.4.6分區節點

9.4.7導出節點

9.4.8分箱節點

9.4.9特征選擇節點

9.4.10數據審核節點

9.4.11直方圖節點

9.4.12分布圖節點

9.4.13Web節點

9.5聚類節點介紹

9.5.1K-Means節點

9.5.2Kohonen節點

9.5.3TwoStep節點

9.5.4Anomaly節點

9.6分類節點介紹

9.6.1C5.0節點

9.6.2C＆RTree節點

9.6.3BayesNet節點

9.6分類器節點

9.6.5Ensemble節點

9.6.6分析節點

9.6.7評估節點

9.7關聯分析節點介紹

9.7.1Apriori節點

9.7.2CARMA節點

9.7.3Sequence節點

9.8回歸分析節點介紹

9.8.1線性回歸節點

9.8.2邏輯回歸節點

9.9RFM分析節點介紹

9.9.1RFM彙總節點

9.9.2RFM分析節點

9.10本章小結

第10章數據挖掘在電信業中的應用

10.1數據挖掘在電信業的應用概述

10.1.1客戶細分

10.1.2客戶流失預測分析

10.1.3客戶社會關繫挖掘

10.1.4業務交叉銷售

10.1.5欺詐客戶識別

10.2案例10-1：客戶通話模式分析

10.2.1商業理解

10.2.2數據理解階段

10.2.3數據準備階段

10.2.4建模階段

10.3案例10-2：客戶細分與流失分析

10.3.1商業理解

10.3.2數據理解階段

10.3.3數據準備階段

10.3.4建模階段

10.3.5評估階段

10.4案例10-3：移動業務關聯分析

10.4.1商業理解

10.4.2數據理解階段

10.4.3數據準備階段

10.4.4建模階段

10.4.5模型評估

10.4.6部署階段

10.5本章小結

第11章數據挖掘在銀行業中的應用

11.1數據挖掘在銀行業中的應用概述

11.2案例11-1：信用風險分析

11.2.1商業理解

11.2.2數據理解

11.2.3數據準備階段

11.2.4數據建模

11.2.5模型評估

11.2.6模型部署

11.3本章小結

第12章數據挖掘在目錄營銷中的應用

12.1應用概述

12.1.1RFM分析的基本原理

12.1.2RFM模型的應用場景

12.2案例12-1：Charles讀書俱樂部目錄銷售

12.2.1商業理解

12.2.2數據理解階段

12.2.3數據準備階段

12.2.4建模階段

12.2.5評估階段

12.2.6部署階段

12.3案例12-2：旅遊公司的目錄銷售

12.3.1商業理解

12.3.2數據理解階段

12.3.3數據準備階段

12.3.4建模階段

12.3.5部署階段

12.4本章小結

第13章數據挖掘在零售業中的應用

13.1數據挖掘在零售業中的應用概述

13.2案例13-1：關聯分析在超市購物籃分析中的應用

13.2.1商業理解

13.2.2數據理解

13.2.3數據準備

13.2.4建立模型

13.2.5模型評估和應用

13.2.6節假日和工作日的比較分析

13.3案例13-2：超市工作時間與人員配置分析

13.3.1商業理解

13.3.2數據理解與準備

13.3.3建立模型

13.3.4模型評估與部署

13.3.5不同時段的商品銷售規律

13.3.6時段與商品的銷售規律

13.4本章小結

第14章數據挖掘在上市公司財務風險預警分析中的應用

14.1數據挖掘在上市公司財務風險預警分析中的應用概述

14.2案例14-1：上市公司財務報表舞弊識別

14.2.1商業理解

14.2.2數據理解與數據準備

14.2.3模型建立與評估

14.3案例14-2：上市公司財務困境預警

14.3.1商業理解階段

14.3.2數據理解階段

14.3.3數據準備階段

14.3.4建模階段

14.3.5部署實施

14.4本章小結

第15章數據挖掘在電子商務中的應用

15.1數據挖掘在電子商務中的應用概述

15.2主要應用領域

15.2.1網絡客戶關繫管理

15.2.2網站設計優化

15.2.3推薦繫統

15.3案例15-1：基於關聯分析的淘寶網推薦

15.3.1商業理解階段

15.3.2數據理解階段

15.3.3數據準備階段

15.3.4數據建模

15.3.5模型評估

15.3.6部署階段

15.4案例15-2：協同過濾技術在電影推薦上的簡單應用

15.4.1協同過濾推薦簡述

15.4.2商業理解階段

15.4.3數據的理解、收集及準備

15.4.4建模階段

15.4.5模型評估和部署

15.5本章小結

附錄A數據挖掘常用資源列表

參考文獻

商品搜索

商品分类

【醫學】

【各大出版社】