●前言
致謝
作者簡介
第1章分析導論1
1.1名稱中有什麼關繫2
1.2為什麼分析和數據科學會突然流行起來4
1.3分析的應用領域5
1.4分析面臨的主要挑戰5
1.5分析的縱向視圖6
1.6分析的簡單分類9
1.7分析的前沿：IBM Watson12
小結16
參考文獻17
第2章預測性分析和數據挖掘導論18
2.1什麼是數據挖掘20
2.2數據挖掘不是什麼21
2.3最常見的數據挖掘應用22
2.4數據挖掘能夠發現什麼樣的模式25
2.5流行的數據挖掘工具28
2.6數據挖掘的潛在問題：隱私問題31
小結36
參考文獻36
第3章預測性分析的標準流程38
3.1數據庫的知識發現流程38
3.2跨行業數據挖掘的標準流程39
3.3SEMMA43
3.4SEMMA和CRISP-DM45
3.5數據挖掘的六西格瑪46
3.6哪種方法優選47
小結51
參考文獻51
第4章預測性分析的數據和方法52
4.1數據分析中數據的本質52
4.2分析中的數據預處理54
4.3數據挖掘方法57
4.4預測57
4.5分類58
4.6決策樹63
4.7數據挖掘中的聚類分析65
4.8k均值聚類算法67
4.9關聯68
4.10Apriori算法70
4.11數據挖掘和預測性分析的誤解與現實71
小結77
參考文獻77
第5章預測性分析算法79
5.1樸素貝葉斯79
5.2最近鄰算法82
5.3相似度度量：距離83
5.4人工神經網絡85
5.5支持向量機88
5.6線性回歸91
5.7邏輯回歸94
5.8時間序列預測95
小結99
參考文獻99
第6章預測性建模中的高階主題102
6.1模型集成102
6.2預測性分析中的偏差–方差權衡112
6.3預測性分析中的非平衡數據問題115
6.4預測性分析中機器學習模型的可解釋性118
小結124
參考文獻124
第7章文本分析、主題建模和情感分析126
7.1自然語言處理129
7.2文本挖掘應用132
7.3文本挖掘流程135
7.4文本挖掘工具143
7.5主題建模144
7.6情感分析146
小結153
參考文獻154
第8章預測性分析使用的大數據156
8.1大數據從何而來156
8.2定義大數據的V158
8.3大數據的基本概念160
8.4大數據分析解決的業務問題163
8.5大數據技術163
8.6數據科學家169
8.7大數據和流分析171
8.8數據流挖掘172
小結174
參考文獻175
第9章深度學習和認知計算176
9.1深度學習導論176
9.2淺層神經網絡基礎179
9.3人工神經網絡的要素181
9.4深度神經網絡186
9.5卷積神經網絡189
9.6循環神經網絡與長短時記憶網絡195
9.7實現深度學習的計算機框架199
9.8認知計算201
小結209
參考文獻209
附錄KNIME及商業分析和數據科學工具前景展望213

本書全面介紹了預測性分析相關方法，不僅直觀地闡述了相關概念，還給出了現實的示例問題和真實的案例研究—包括從失敗項目獲得的經驗教訓。本書理論和實踐內容相對平衡，便於讀者加深理解。全書共9章，外加一個附錄。第1章為分析導論，第2章為預測性分析和數據挖掘導論，第3章介紹預測性分析的標準流程，第4章介紹預測性分析的數據和方法，第5章介紹預測性分析算法，第6章探討預測性建模中的高階主題，第7章介紹文本分析、主題建模和情感分析，第8章介紹預測性分析使用的大數據，第9章介紹深度學習和認知計算，附錄展望了商業分析和數據科學工具的前景。本書適合計算機科學、數據科學和商業分析領域的相關從業人員閱讀。