 |
-- 會員 / 註冊 --
|
 |
|
|
|
大數據與機器學習：實踐方法與行業案例 ( 簡體 字) |
| 作者：陳春寶 闕子揚 鐘飛 | 類別：1. -> 程式設計 -> 大數據
2. -> 程式設計 -> 機器學習 |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 46100
詢問書籍請說出此書號！【有庫存】
NT售價： 345 元 |
| 出版日：2/8/2017 |
| 頁數：297 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787111556800 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
| 前言： |
內容簡介：本書從企業實踐出發，內容覆蓋數據、平臺、分析和應用等企業內數據流轉的主要環節。布局上，按照數據與平臺篇、分析篇和應用篇分別撰寫。數據與平臺篇（第1~3章），立足找到數據、整合數據、使用數據三個角度，介紹數據在企業內的分布和處理邏輯，以便快速為分析準備素材。分析篇（第4~11章），選取企業實際案例，介紹常用的數據挖掘與機器學習算法，以業務場景為導向展示數據分析過程和技巧。應用篇（第12~15章），選取當前主流的四個應用場景，介紹如何實現數據驅動，讓數據“自動”流轉于各個環節。 |
目錄：第一部分 數據與平臺篇
第1章 數據與數據平臺3
1.1 數據的基本形態4
1.1.1 數據環境與數據形態4
1.1.2 生產數據5
1.1.3 原始數據5
1.1.4 分析數據6
1.2 數據平臺7
1.2.1 數據倉庫平臺9
1.2.2 大數據平臺13
1.2.3 MPP數據庫22
1.2.4 NoSQL數據庫23
1.3 應用系統24
1.4 本章小結25
第2章 數據體系26
2.1 數據閉環27
2.2 數據緩沖區28
2.2.1 系統解耦29
2.2.2 批量導出31
2.2.3 FTP傳輸40
2.2.4 批量導入42
2.3 ETL49
2.3.1 ETL工具50
2.3.2 ETL作業52
2.4 作業調度56
2.5 監控和預警56
2.5.1 使用監控工具進行監控57
2.5.2 使用BI工具進行監控57
2.6 本章小結57
第3章 實戰：打造數據閉環59
3.1 數據緩沖區的基本規則60
3.1.1 文件存儲規則61
3.1.2 文件命名規則61
3.1.3 文件清理規則62
3.2 自動加載的流程62
3.2.1 掃描文件63
3.2.2 下載文件64
3.2.3 解壓文件65
3.2.4 加載文件65
3.3 自動加載程序的數據庫設計66
3.3.1 數據文件信息表67
3.3.2 數據文件狀態表68
3.3.3 加載配置信息表69
3.3.4 數據緩沖區信息表70
3.3.5 目標服務器表70
3.4 自動加載程序的多線程實現71
3.4.1 ScanFiles72
3.4.2 DownLoadAndUnZip75
3.4.3 LoadToHive77
3.4.4 LoadToOracle78
3.4.5 自動加載程序的部署架構79
3.4.6 程序的維護和優化80
3.5 本章小結80
第二部分 分 析 篇
第4章 數據預處理83
4.1 數據表的預處理84
4.2 變量的預處理85
4.2.1 缺失值的處理85
4.2.2 極值的處理90
4.3 變量的設計91
4.3.1 暴力衍生91
4.3.2 交叉升維92
4.4 變量篩選95
4.4.1 篩選顯著變量95
4.4.2 剔除共線性96
4.5 本章小結100
第5章 聚類，簡單易用的客戶細分方法101
5.1 從客戶細分說起102
5.1.1 為什么要做客戶細分102
5.1.2 怎么做客戶細分103
5.1.3 聚類分析，無監督的客戶細分方法107
5.2 譜系聚類107
5.2.1 基本步驟107
5.2.2 案例：公司客戶差異化服務110
5.2.3 譜系聚類方法的題外話115
5.3 K-means算法116
5.3.1 基本步驟116
5.3.2 案例：電商賣家細分117
5.3.3 K-means算法的題外話121
5.4 本章小結121
第6章 關聯規則挖掘，發現產品
加載和交叉銷售機會122
6.1 銷售的真諦：讓客戶買得更多123
6.1.1 案例：電商的生意經123
6.1.2 案例：富國銀行的“商店”經營模式124
6.1.3 案例總結125
6.2 交叉銷售126
6.2.1 為什么要做交叉銷售126
6.2.2 怎么做交叉銷售126
6.3 關聯規則挖掘，發現交叉銷售機會128
6.3.1 Apriori算法129
6.3.2 Apriori算法的主要指標129
6.3.3 Apriori算法的基本步驟131
6.4 案例：信用卡產品交叉銷售131
6.4.1 準備數據132
6.4.2 SAS實現132
6.4.3 結果分析133
6.4.4 序列關聯分析136
6.4.5 結果應用137
6.5 本章小結138
第7章 社交網絡分析，從“關系
的角度分析問題139
7.1 先看幾張美輪美奐的圖片140
7.2 社交網絡分析方法142
7.2.1 定義142
7.2.2 應用場景142
7.2.3 網絡識別算法143
7.3 案例：電商通過訂單數據識別供應鏈144
7.3.1 供應鏈及供應鏈金融144
7.3.2 識別核心企業及其上下游關系144
7.3.3 分析結果的業務應用149
7.4 案例：P2P投資風險防范151
7.4.1 案例背景151
7.4.2 防范方法152
7.5 本章小結153
第8章 線性回歸，預測客戶價值155
8.1 數值預測156
8.2 回歸與擬合157
8.2.1 回歸就是擬合157
8.2.2 在Excel中添加趨勢線預測158
8.3 案例：信用卡客戶價值預測159
8.3.1 確定預測目標159
8.3.2 準備建模數據161
8.3.3 模型擬合163
8.3.4 模型評估165
8.4 基于客戶價值分層的業務策略167
8.5 本章小結167
第9章 Logistic回歸，精準營銷的
主要支撐算法169
9.1 大數據時代的精準營銷170
9.1.1 精準營銷170
9.1.2 基于大數據的精準營銷模式171
9.1.3 如何做到精準172
9.2 Logistic回歸算法介紹173
9.2.1 算法原理173
9.2.2 關鍵步驟174
9.3 案例：信用卡消費信貸產品的精準營銷176
9.3.1 案例背景176
9.3.2 數據準備176
9.3.3 數據預處理180
9.3.4 建模182
9.3.5 模型評估185
9.4 預測模型的應用與評估189
9.5 本章小結189
第10章 決策樹類算法，反欺詐
模型“專家”191
10.1 決策樹，重要的分類器191
10.2 決策樹的關鍵思想192
10.2.1 理財客戶畫像案例背景192
10.2.2 關鍵思想一：遞歸劃分194
10.2.3 關鍵思想二：剪枝197
10.3 案例：電商盜卡交易風險識別198
10.3.1 案例背景198
10.3.2 以SAS實現199
10.3.3 以Clementine實現201
10.3.4 以R實現204
10.4 隨機森林208
10.5 本章小結209
第11章 數據可視化，是分析更是
設計210
11.1 數據演示之道210
11.1.1 好“色”之圖211
11.1.2 版式有形212
11.1.3 數據發聲214
11.2 個性化地圖215
11.2.1 案例背景：存款增長率指標展示215
11.2.2 獲取地理位置的經緯度數據216
11.2.3 定制地圖背景和圖標217
11.2.4 生成地圖220
11.3 文本分析222
11.3.1 案例：電商的客戶評價分析222
11.3.2 分詞223
11.3.3 詞云制作224
11.3.4 情感分析225
11.4 本章小結227
第三部分 應 用 篇
第12章 標簽系統231
12.1 認識標簽系統231
12.2 標簽系統的設計233
12.2.1 標簽系統的層次結構233
12.2.2 標簽系統的更新規則233
12.2.3 機器學習模型轉化為標簽235
12.3 標簽系統的實現236
12.3.1 標簽映射表237
12.3.2 標簽系統的前端實現238
12.3.3 標簽系統的數據后端實現238
12.3.4 標簽系統的在線接口實現242
12.4 本章小結242
第13章 數據自助營銷平臺244
13.1 數據自助營銷平臺的價值所在245
13.1.1 自動化營銷，提升工作效率245
13.1.2 降低營銷成本，提升用戶體驗247
13.1.3 個性化營銷，提升響應率248
13.1.4 統一管理，便于效果追蹤249
13.2 數據自助營銷平臺的實現原則249
13.2.1 數據營銷活動的節點249
13.2.2 數據自助營銷平臺的基礎：標簽系統251
13.2.3 數據自助營銷平臺的批量任務252
13.2.4 實時數據營銷254
13.3 數據自助營銷平臺的場景實例254
13.3.1 客戶生命周期管理254
13.3.2 用卡激勵計劃257
13.4 本章小結260
第14章 基于Mahout的個性化推薦系統261
14.1 Mahout的推薦引擎262
14.1.1 Mahout的安裝配置262
14.1.2 Mahout的使用方式263
14.1.3 協同過濾算法264
14.1.4 Mahout的推薦引擎265
14.2 規模與效率268
14.2.1 Mahout推薦算法的適用范圍268
14.2.2 通過分布式解決規模和效率的問題270
14.3 實現一個推薦系統275
14.3.1 系統框架275
14.3.2 推薦系統的刷新276
14.3.3 部署一個可用的推薦系統276
14.4 本章小結280
第15章 圖計算與社會網絡281
15.1 社會網絡和屬性圖282
15.2 Spark GraphX與Neo4j283
15.2.1 Scala編程語言284
15.2.2 Cypher查詢語言285
15.3 使用Spark GraphX和Neo4j處理社會網絡286
15.3.1 背景說明286
15.3.2 數據準備286
15.3.3 Spark GraphX處理原始網絡287
15.3.4 Neo4j交互式查詢分析291
15.3.5 更多的應用場景295
15.4 本章小結296
|
| 序： |
|
