第1章大數據分析概述
1.1大數據概述
1.1.1什麼是大數據
1.1.2數據、信息與認知
1.1.3數據管理與數據庫
1.1.4數據倉庫
1.1.5數據挖掘的內涵和基本特徵
1.2數據挖掘的産生與功能
1.2.1數據挖掘的曆史
1.2.2數據挖掘的功能
1.3數據挖掘與相關領域之間的關係
1.3.1數據挖掘與機器學習
1.3.2數據挖掘與數據倉庫
1.3.3數據挖掘與統計學
1.3.4數據挖掘與智能決策
1.3.5數據挖掘與雲計算
1.4大數據研究方法
1.5討論題目
1.6推薦閱讀
第2章數據挖掘流程
2.1數據挖掘流程概述
2.1.1問題識彆
2.1.2數據理解
2.1.3數據準備
2.1.4建立模型
2.1.5模型評價
2.1.6部署應用
2.2離群點發現
2.2.1基於統計的離群點檢測
2.2.2基於距離的離群點檢測
2.2.3局部離群點算法
2.3不平衡數據級聯算法
2.4討論題目
2.5推薦閱讀
第3章有指導的學習
3.1有指導的學習概述
3.2K—近鄰
3.3決策樹
3.3.1決策樹的基本概念
3.3.2分類迴歸樹
3.3.3決策樹的剪枝
3.4提升方法
3.5隨機森林樹
3.5.1隨機森林樹算法的定義
3.5.2如何確定隨機森林樹算法中樹的節點分裂變量
3.5.3隨機森林樹的迴歸算法
3.6人工神經網絡
3.6.1人工神經網絡基本概念
3.6.2感知器算法
3.6.3LMS算法
3.6.4反嚮傳播算法
3.6.5神經網絡相關問題討論
3.7支持嚮量機
3.7.1最大邊距分類
3.7.2支持嚮量機問題的求解
3.7.3支持嚮量機的核方法
3.8多元自適應迴歸樣條
3.9討論題目
3.10推薦閱讀
第4章無指導的學習
4.1關聯規則
4.1.1靜態關聯規則算法Apriori算法
4.1.2動態關聯規則算法Carma算法
4.1.3序列規則挖掘算法
4.2聚類分析
4.2.1聚類分析的含義及作用
4.2.2距離的定義
4.2.3係統層次聚類法
4.2.4K—均值算法
4.2.5BIRCH算法
4.2.6基於密度的聚類算法
4.3基於預測強度的聚類方法
4.3.1預測強度
4.3.2預測強度方法的應用
4.3.3案例分析
4.4聚類問題的變量選擇
4.4.1高斯成對罰模型聚類
4.4.2各類異方差成對罰模型聚類
4.4.3幾種聚類變量選擇的比較
4.5討論題目
4.6推薦閱讀
第5章貝葉斯分類和因果學習
5.1貝葉斯分類
5.2決策論與統計決策論
5.2.1決策與風險
5.2.2統計決策
5.3綫性判彆函數和二次判彆函數
5.4樸素貝葉斯分類
5.5貝葉斯網絡
5.5.1基本概念
5.5.2貝葉斯網絡的應用
5.5.3貝葉斯網絡的構建
5.6案例：貝葉斯網絡模型在信用卡違約概率建模中的應用
5.7討論題目
5.8推薦閱讀
第6章高維迴歸及變量選擇
6.1綫性迴歸模型
6.2模型選擇
6.2.1模型選擇概述
6.2.2偏差，方差分解
6.2.3模型選擇準則
6.2.4迴歸變量選擇
6.3廣義綫性模型
6.3.1二點分布迴歸
6.3.2指數族概率分布
6.3.3廣義綫性模型
6.3.4模型估計
6.3.5模型檢驗與診斷
6.4高維迴歸係數壓縮
6.4.1嶺迴歸
6.4.1LASSO
6.4.3Shooting算法
6.4.4路徑算法
6.4.5其他懲罰項及0racle性質
6.4.6軟件實現
6.5總結
6.6討論題目
6.7推薦閱讀
第7章圖模型
7.1圖模型基本概念和性質
7.1.1圖矩陣
7.1.2概率圖模型概念和性質
7.2協方差選擇
7.2.1用迴歸估計圖模型
7.2.2基於最大似然框架的方法
7.3指數族圖模型
7.3.1基本定義
7.3.2參數估計及假設檢驗
7.4譜聚類
7.4.1聚類和圖劃分
7.4.2譜聚類
7.5總結
7.6討論題目
7.7推薦閱讀
第8章客戶關係管理
8.1協同推薦模型
8.1.1基於鄰域的算法
8.1.2矩陣分解模型
8.2客戶價值隨機模型
8.2.1客戶價值的定義
8.2.2客戶價值分析模型
8.2.3客戶購買狀態轉移矩陣
8.2.4利潤矩陣
8.2.5客戶價值的計算
8.3案例：銀行卡消費客戶價值模型
8.4推薦閱讀
第9章社會網絡分析
9.1社會網絡概述
9.1.1社會網絡概念與發展
9.1.2社會網絡的基本特徵
9.1.3社群挖掘算法
9.1.4模型的評價
9.2案例：社會網絡在學術機構閤作關係上的研究
9.3討論題目
9.4推薦閱讀
附錄A本章R程序
第10章自然語言模型和文本挖掘
10.1嚮量空間模型
10.1.1嚮量空間模型基本概念
10.1.2特徵選擇準則
10.2統計語言模型
10.2.1n—gram模型
10.2.2主題n—元模型
10.3LDA模型
10.4案例：LDA模型的熱點新聞發現
10.5推薦閱讀
· · · · · · (收起)