商戰(zhàn)數(shù)據(jù)挖掘：你需要了解的數(shù)據(jù)科學與分析思維

定　價：￥89.00

作　者：	[美] 福斯特·普羅沃斯特著，郭鵬程，管晨譯
出版社：	人民郵電出版社
叢編項：	圖靈程序設計叢書
標　簽：	暫缺

購買這本書可以去

ISBN：	9787115522337	出版時間：	2019-12-01	包裝：	平裝
開本：	16開	頁數(shù)：	278	字數(shù)：

內(nèi)容簡介

　　數(shù)據(jù)挖掘是現(xiàn)代企業(yè)從數(shù)據(jù)中提取有用信息、獲取競爭優(yōu)勢的重要方法。針對數(shù)據(jù)科學的這一商業(yè)應用，本書進行了深入解讀，不僅詳細介紹了數(shù)據(jù)挖掘的環(huán)節(jié)、常用分析技術和基本模型，還提供了數(shù)據(jù)科學解決方案的提案示例和評估指南。同時，為了便于讀者理解，本書不僅分析了大量商業(yè)示例，在業(yè)務情景下闡釋數(shù)據(jù)挖掘的基本概念和原理，還使用大量圖表輔助解釋數(shù)學細節(jié)。因此，讀者無需專業(yè)數(shù)學背景即可閱讀本書。

作者簡介

　　福斯特·普羅沃斯特（Foster Provost）紐約大學斯特恩商學院教授，教授商業(yè)分析、數(shù)據(jù)科學與MBA課程。他曾是Verizon公司研究型數(shù)據(jù)科學家，參與創(chuàng)建過多家成功的數(shù)據(jù)科學驅(qū)動企業(yè)。湯姆·福西特（Tom Fawcett）機器學習博士，Data Science LLC首席數(shù)據(jù)科學家，從事應用機器學習研究和數(shù)據(jù)挖掘20余年，發(fā)表過大量機器學習文章。

圖書目錄

目錄
贊譽 xiii
前言 xv
第 1 章緒論：數(shù)據(jù)分析式思維 1
1．1 數(shù)據(jù)機遇無處不在 1
1．2 案例：颶風 Frances 2
1．3 案例：預測用戶流失 3
1．4 數(shù)據(jù)科學、數(shù)據(jù)工程和數(shù)據(jù)驅(qū)動型決策 4
1．5 數(shù)據(jù)處理和“大數(shù)據(jù)” 6
1．6 從大數(shù)據(jù) 1．0 到大數(shù)據(jù) 2．0 6
1．7 數(shù)據(jù)與數(shù)據(jù)科學能力：一種戰(zhàn)略性資產(chǎn) 7
1．8 數(shù)據(jù)分析式思維 9
1．9 關于本書 10
1．10 重新審視數(shù)據(jù)挖掘和數(shù)據(jù)科學 11
1．11 數(shù)據(jù)科學：一門新興的實驗性學科 12
1．12 小結(jié) 12
第 2 章商業(yè)問題及其數(shù)據(jù)科學解決方案 14
2．1 從商業(yè)問題到數(shù)據(jù)挖掘任務 14
2．2 有監(jiān)督方法與無監(jiān)督方法 17
2．3 數(shù)據(jù)挖掘及其結(jié)果 18
2．4 數(shù)據(jù)挖掘流程 19
2．4．1 業(yè)務理解環(huán)節(jié) 20
2．4．2 數(shù)據(jù)理解環(huán)節(jié) 21
2．4．3 數(shù)據(jù)準備環(huán)節(jié) 22
2．4．4 建模環(huán)節(jié) 22
2．4．5 評估環(huán)節(jié) 23
2．4．6 部署環(huán)節(jié) 24
2．5 管理數(shù)據(jù)科學團隊的含義 25
2．6 其他分析技巧與技術 26
2．6．1 統(tǒng)計 26
2．6．2 數(shù)據(jù)庫查詢 27
2．6．3 數(shù)據(jù)倉庫 28
2．6．4 回歸分析 28
2．6．5 機器學習與數(shù)據(jù)挖掘 28
2．6．6 運用以上技術解決商業(yè)問題 29
2．7 小結(jié) 30
第 3 章預測建模導論：從相關性到有監(jiān)督的劃分 31
3．1 建模、歸納與預測 32
3．2 有監(jiān)督的劃分 35
3．2．1 選取富信息屬性 36
3．2．2 示例：基于信息增益進行屬性選擇 42
3．2．3 使用樹形結(jié)構(gòu)模型進行有監(jiān)督的劃分 46
3．3 劃分的可視化 52
3．4 把樹視作規(guī)則組 53
3．5 概率估計 54
3．6 示例：用樹型歸納解決用戶流失問題 56
3．7 小結(jié) 59
第 4 章用模型擬合數(shù)據(jù) 61
4．1 根據(jù)數(shù)學函數(shù)分類 62
4．1．1 線性判別函數(shù) 64
4．1．2 目標函數(shù)的最優(yōu)化 66
4．1．3 示例：基于數(shù)據(jù)挖掘線性判別式 67
4．1．4 用線性判別函數(shù)對實例進行評分和排序 68
4．1．5 支持向量機簡介 69
4．2 通過數(shù)學函數(shù)進行回歸 71
4．3 類概率估計和邏輯“回歸” 73
4．4 示例：對比邏輯回歸和樹型歸納 77
4．5 非線性方程、支持向量機和神經(jīng)網(wǎng)絡 81
4．6 小結(jié) 83
第 5 章避免過擬合 84
5．1 泛化能力 84
5．2 過擬合 85
5．3 過擬合檢驗 86
5．3．1 保留數(shù)據(jù)和擬合圖 86
5．3．2 樹型歸納的過擬合問題 88
5．3．3 數(shù)值函數(shù)的過擬合問題 89
5．4 示例：線性函數(shù)的過擬合 90
5．5 * 示例：過擬合為何有害 95
5．6 從保留評估到交叉驗證 96
5．7 用戶流失數(shù)據(jù)集回顧 99
5．8 學習曲線 100
5．9 避免過擬合與控制復雜度 101
5．9．1 樹型歸納中的過擬合規(guī)避 102
5．9．2 避免過擬合的一般方法 102
5．9．3 * 參數(shù)優(yōu)化中的過擬合規(guī)避 104
5．10 小結(jié) 106
第 6 章相似性、近鄰和簇 107
6．1 相似性和距離 108
6．2 最近鄰推理 109
6．2．1 示例：威士忌分析 110
6．2．2 用最近鄰來進行預測建模 111
6．2．3 近鄰的數(shù)量及其影響 113
6．2．4 幾何解釋、過擬合和復雜度控制 115
6．2．5 最近鄰方法的問題 118
6．3 與相似性和最近鄰相關的一些重要技術細節(jié) 119
6．3．1 混合屬性 119
6．3．2 * 其他距離函數(shù) 120
6．3．3 * 組合函數(shù)：計算近鄰的評分 122
6．4 聚類 124
6．4．1 示例：威士忌分析回顧 124
6．4．2 層次聚類 125
6．4．3 最近鄰回顧：根據(jù)形心的聚類 128
6．4．4 示例：對商業(yè)新聞報道進行聚類 132
6．4．5 理解聚類結(jié)果 135
6．4．6 * 用有監(jiān)督學習產(chǎn)生簇描述 136
6．5 退一步：解決業(yè)務問題與數(shù)據(jù)探索 139
6．6 小結(jié) 140
第 7 章決策分析思維（一）：如何評估一個模型 142
7．1 對分類器的評估 143
7．1．1 簡單準確率的問題 143
7．1．2 混淆矩陣 144
7．1．3 樣本類別不均衡的問題 144
7．1．4 成本收益不均衡的問題 147
7．2 分類問題的推廣 147
7．3 一個重要的分析框架：期望值 148
7．3．1 用期望值規(guī)范分類器的使用 148
7．3．2 用期望值規(guī)范分類器的評估 149
7．4 評估、基線性能以及對數(shù)據(jù)投資的意義 155
7．5 小結(jié) 157
第 8 章模型性能的可視化 159
8．1 排序，而不是分類 159
8．2 利潤曲線 161
8．3 ROC 圖像和曲線 163
8．4 ROC 曲線下面積 168
8．5 累積響應曲線和提升曲線 168
8．6 示例：用戶流失模型的性能分析 171
8．7 小結(jié) 177
第 9 章證據(jù)和概率 179
9．1 示例：向線上目標用戶投放廣告 179
9．2 根據(jù)概率合并證據(jù) 181
9．2．1 聯(lián)合概率與獨立性 181
9．2．2 貝葉斯法則 182
9．3 將貝葉斯法則應用到數(shù)據(jù)科學中 183
9．3．1 條件獨立和樸素貝葉斯 184
9．3．2 樸素貝葉斯的優(yōu)劣勢 186
9．4 證據(jù)“提升度”的模型 187
9．5 示例：Facebook“點贊”的證據(jù)提升度 188
9．6 小結(jié) 190
第 10 章文本的表示和挖掘 191
10．1 為什么文本很重要 192
10．2 為什么文本很難處理 192
10．3 表示法 193
10．3．1 詞袋模型 193
10．3．2 詞頻 193
10．3．3 度量稀疏度：逆文檔頻率 195
10．3．4 TFIDF 196
10．4 示例：爵士音樂家 197
10．5 *IDF 和熵的關系 200
10．6 詞袋模型之外的方法 202
10．6．1 n-grams 序列 202
10．6．2 命名實體提取 202
10．6．3 主題模型 203
10．7 示例：通過挖掘新聞報道預測股價變動 204
10．7．1 任務 204
10．7．2 數(shù)據(jù) 205
10．7．3 數(shù)據(jù)處理 207
10．7．4 結(jié)果 208
10．8 小結(jié) 211
第 11 章決策分析思維（二）：面向分析工程 212
11．1 為慈善機構(gòu)尋找最佳捐贈人 213
11．1．1 期望值框架：分解商業(yè)問題，重組解決方案 213
11．1．2 簡短的題外話：選擇性偏差 214
11．2 更復雜的用戶流失示例回顧 215
11．2．1 期望值框架：構(gòu)建更復雜的商業(yè)問題 215
11．2．2 評估激勵的影響 216
11．2．3 從期望值分解到數(shù)據(jù)科學解決方案 217
11．3 小結(jié) 219
第 12 章其他數(shù)據(jù)科學任務與技術 220
12．1 共現(xiàn)和關聯(lián)：尋找匹配項 221
12．1．1 度量意外：提升度和杠桿率 221
12．1．2 示例：啤酒和彩票 222
12．1．3 Facebook 點贊的關聯(lián) 223
12．2 用戶畫像：尋找典型行為 225
12．3 鏈路預測和社交推薦 229
12．4 數(shù)據(jù)約簡、潛在信息和電影推薦 230
12．5 偏差、方差和集成方法 233
12．6 數(shù)據(jù)驅(qū)動的因果解釋和一個病毒式營銷示例 235
12．7 小結(jié) 236
第 13 章數(shù)據(jù)科學和經(jīng)營戰(zhàn)略 237
13．1 數(shù)據(jù)分析式思維，終極版 237
13．2 用數(shù)據(jù)科學取得競爭優(yōu)勢 238
13．3 用數(shù)據(jù)科學保持競爭優(yōu)勢 239
13．3．1 令人敬畏的歷史優(yōu)勢 240
13．3．2 獨一無二的知識產(chǎn)權(quán) 240
13．3．3 獨一無二的無形抵押資產(chǎn) 240
13．3．4 優(yōu)秀的數(shù)據(jù)科學家 241
13．3．5 優(yōu)秀的數(shù)據(jù)科學管理 242
13．4 吸引和培養(yǎng)數(shù)據(jù)科學家及其團隊 243
13．5 檢驗數(shù)據(jù)科學案例分析 244
13．6 做好準備，接受來源各異的創(chuàng)意 245
13．7 做好準備，評估數(shù)據(jù)科學項目提案 245
13．7．1 數(shù)據(jù)挖掘提案示例 246
13．7．2 Big Red 提案中的缺陷 246
13．8 企業(yè)的數(shù)據(jù)科學成熟度 247
第 14 章總結(jié) 250
14．1 數(shù)據(jù)科學的基本概念 250
14．1．1 將基本概念應用于新問題：挖掘移動設備數(shù)據(jù) 252
14．1．2 改變對商業(yè)問題解決方案的思考方式 253
14．2 數(shù)據(jù)做不到的：圈中人回顧 254
14．3 隱私、道德和挖掘個人數(shù)據(jù) 256
14．4 數(shù)據(jù)科學是否還有更多內(nèi)容 257
14．5 最后一例：從眾包到云包 257
14．6 最后的話 258
附錄 A 提案評估指南 259
附錄 B 另一個提案示例 262
參考文獻 265
術語表 273
關于作者 278