前言
致谢
作者简介
第1章 分析导论
1.1 名称中有什么关系
1.2 为什么分析和数据科学会突然流行起来
1.3 分析的应用领域
1.4 分析面临的主要挑战
1.5 分析的纵向视图
1.6 分析的简单分类
1.7 分析的前沿：IBM Watson
小结
参考文献
第2章 预测性分析和数据挖掘导论
2.1 什么是数据挖掘
2.2 数据挖掘不是什么
2.3 最常见的数据挖掘应用
2.4 数据挖掘能够发现什么样的模式
2.5 流行的数据挖掘工具
2.6 数据挖掘的潜在问题：隐私问题
小结
参考文献
第3章 预测性分析的标准流程
3.1 数据库的知识发现流程
3.2 跨行业数据挖掘的标准流程
3.3 SEMMA
3.4 SEMMA和CRISP-DM
3.5 数据挖掘的六西格玛
3.6 哪种方法最好
小结
参考文献
第4章 预测性分析的数据和方法
4.1 数据分析中数据的本质
4.2 分析中的数据预处理
4.3 数据挖掘方法
4.4 预测
4.5 分类
4.6 决策树
4.7 数据挖掘中的聚类分析
4.8 k均值聚类算法
4.9 关联
4.10 Apriori算法
4.11 数据挖掘和预测性分析的误解与现实
小结
参考文献
第5章 预测性分析算法
5.1 朴素贝叶斯
5.2 最近邻算法
5.3 相似度度量：距离
5.4 人工神经网络
5.5 支持向量机
5.6 线性回归
5.7 逻辑回归
5.8 时间序列预测
小结
参考文献
第6章 预测性建模中的高阶主题
6.1 模型集成
6.2 预测性分析中的偏差-方差权衡
6.3 预测性分析中的非平衡数据问题
6.4 预测性分析中机器学习模型的可解释性
小结
参考文献
第7章 文本分析、主题建模和情感分析
7.1 自然语言处理
7.2 文本挖掘应用
7.3 文本挖掘流程
7.4 文本挖掘工具
7.5 主题建模
7.6 情感分析
小结
参考文献
第8章 预测性分析使用的大数据
8.1 大数据从何而来
8.2 定义大数据的V
8.3 大数据的基本概念
8.4 大数据分析解决的业务问题
8.5 大数据技术
8.6 数据科学家
8.7 大数据和流分析
8.8 数据流挖掘
小结
参考文献
第9章 深度学习和认知计算
9.1 深度学习导论
9.2 浅层神经网络基础
9.3 人工神经网络的要素
9.4 深度神经网络
9.5 卷积神经网络
9.6 循环神经网络与长短时记忆网络
9.7 实现深度学习的计算机框架
9.8 认知计算
小结
参考文献
附录 KNIME及商业分析和数据科学工具前景展望
展开
