商战数据挖掘：你需要了解的数据科学与分析思维
郭鹏程, 管晨 译
出版时间：2019年12月
页数：278
在现代社会中，数据即商业，它是提升生产力、促进创新和获取用户洞见的基础，数据思维和分析方法可谓是新时代的商战孙子兵法，只有善用数据者才能在这个数据驱动的环境中获得竞争优势。本书通过大量真实的商业问题案例，介绍数据科学的基本原理和各种数据挖掘技术，阐释如何从数据中提取出有用信息，进而用数据科学方法解决商业问题，做出精准的决策。
- 赞誉
- 前言
- 第1章 绪论：数据分析式思维
- 1.1 数据机遇无处不在
- 1.2 案例：飓风Frances
- 1.3 案例：预测用户流失
- 1.4 数据科学、数据工程和数据驱动型决策
- 1.5 数据处理和“大数据”
- 1.6 从大数据1.0到大数据2.0
- 1.7 数据与数据科学能力：一种战略性资产
- 1.8 数据分析式思维
- 1.9 关于本书
- 1.10 重新审视数据挖掘和数据科学
- 1.11 数据科学：一门新兴的实验性学科
- 1.12 小结
- 第2章 商业问题及其数据科学解决方案
- 2.1 从商业问题到数据挖掘任务
- 2.2 有监督方法与无监督方法
- 2.3 数据挖掘及其结果
- 2.4 数据挖掘流程
- 2.4.1 业务理解环节
- 2.4.2 数据理解环节
- 2.4.3 数据准备环节
- 2.4.4 建模环节
- 2.4.5 评估环节
- 2.4.6 部署环节
- 2.5 管理数据科学团队的含义
- 2.6 其他分析技巧与技术
- 2.6.1 统计
- 2.6.2 数据库查询
- 2.6.3 数据仓库
- 2.6.4 回归分析
- 2.6.5 机器学习与数据挖掘
- 2.6.6 运用以上技术解决商业问题
- 2.7 小结
- 第3章 预测建模导论：从相关性到有监督的划分
- 3.1 建模、归纳与预测
- 3.2 有监督的划分
- 3.2.1 选取富信息属性
- 3.2.2 示例：基于信息增益进行属性选择
- 3.2.3 使用树形结构模型进行有监督的划分
- 3.3 划分的可视化
- 3.4 把树视作规则组
- 3.5 概率估计
- 3.6 示例：用树型归纳解决用户流失问题
- 3.7 小结
- 第4章 用模型拟合数据
- 4.1 根据数学函数分类
- 4.1.1 线性判别函数
- 4.1.2 目标函数的最优化
- 4.1.3 示例：基于数据挖掘线性判别式
- 4.1.4 用线性判别函数对实例进行评分和排序
- 4.1.5 支持向量机简介
- 4.2 通过数学函数进行回归
- 4.3 类概率估计和逻辑“回归”
- 4.4 示例：对比逻辑回归和树型归纳
- 4.5 非线性方程、支持向量机和神经网络
- 4.6 小结
- 第5章 避免过拟合
- 5.1 泛化能力
- 5.2 过拟合
- 5.3 过拟合检验
- 5.3.1 保留数据和拟合图
- 5.3.2 树型归纳的过拟合问题
- 5.3.3 数值函数的过拟合问题
- 5.4 示例：线性函数的过拟合
- 5.5 示例：过拟合为何有害
- 5.6 从保留评估到交叉验证
- 5.7 用户流失数据集回顾
- 5.8 学习曲线
- 5.9 避免过拟合与控制复杂度
- 5.9.1 树型归纳中的过拟合规避
- 5.9.2 避免过拟合的一般方法
- 5.9.3 参数优化中的过拟合规避
- 5.10 小结
- 第6章 相似性、近邻和簇
- 6.1 相似性和距离
- 6.2 最近邻推理
- 6.2.1 示例：威士忌分析
- 6.2.2 用最近邻来进行预测建模
- 6.2.3 近邻的数量及其影响
- 6.2.4 几何解释、过拟合和复杂度控制
- 6.2.5 最近邻方法的问题
- 6.3 与相似性和最近邻相关的一些重要技术细节
- 6.3.1 混合属性
- 6.3.2 其他距离函数
- 6.3.3 组合函数：计算近邻的评分
- 6.4 聚类
- 6.4.1 示例：威士忌分析回顾
- 6.4.2 层次聚类
- 6.4.3 最近邻回顾：根据形心的聚类
- 6.4.4 示例：对商业新闻报道进行聚类
- 6.4.5 理解聚类结果
- 6.4.6 用有监督学习产生簇描述
- 6.5 退一步：解决业务问题与数据探索
- 6.6 小结
- 第7章 决策分析思维（一）：如何评估一个模型
- 7.1 对分类器的评估
- 7.1.1 简单准确率的问题
- 7.1.2 混淆矩阵
- 7.1.3 样本类别不均衡的问题
- 7.1.4 成本收益不均衡的问题
- 7.2 分类问题的推广
- 7.3 一个重要的分析框架：期望值
- 7.3.1 用期望值规范分类器的使用
- 7.3.2 用期望值规范分类器的评估
- 7.4 评估、基线性能以及对数据投资的意义
- 7.5 小结
- 第8章 模型性能的可视化
- 8.1 排序，而不是分类
- 8.2 利润曲线
- 8.3 ROC 图像和曲线
- 8.4 ROC 曲线下面积
- 8.5 累积响应曲线和提升曲线
- 8.6 示例：用户流失模型的性能分析
- 8.7 小结
- 第9章 证据和概率
- 9.1 示例：向线上目标用户投放广告
- 9.2 根据概率合并证据
- 9.2.1 联合概率与独立性
- 9.2.2 贝叶斯法则
- 9.3 将贝叶斯法则应用到数据科学中
- 9.3.1 条件独立和朴素贝叶斯
- 9.3.2 朴素贝叶斯的优劣势
- 9.4 证据“提升度”的模型
- 9.5 示例：Facebook“点赞”的证据提升度
- 9.6 小结
- 第10章 文本的表示和挖掘
- 10.1 为什么文本很重要
- 10.2 为什么文本很难处理
- 10.3 表示法
- 10.3.1 词袋模型
- 10.3.2 词频
- 10.3.3 度量稀疏度：逆文档频率
- 10.3.4 TFIDF
- 10.4 示例：爵士音乐家
- 10.5 IDF和熵的关系
- 10.6 词袋模型之外的方法
- 10.6.1 n-grams序列
- 10.6.2 命名实体提取
- 10.6.3 主题模型
- 10.7 示例：通过挖掘新闻报道预测股价变动
- 10.7.1 任务
- 10.7.2 数据
- 10.7.3 数据处理
- 10.7.4 结果
- 10.8 小结
- 第11章 决策分析思维（二）：面向分析工程
- 11.1 为慈善机构寻找最佳捐赠人
- 11.1.1 期望值框架：分解商业问题，重组解决方案
- 11.1.2 简短的题外话：选择性偏差
- 11.2 更复杂的用户流失示例回顾
- 11.2.1 期望值框架：构建更复杂的商业问题
- 11.2.2 评估激励的影响
- 11.2.3 从期望值分解到数据科学解决方案
- 11.3 小结
- 第12章 其他数据科学任务与技术
- 12.1 共现和关联：寻找匹配项
- 12.1.1 度量意外：提升度和杠杆率
- 12.1.2 示例：啤酒和彩票
- 12.1.3 Facebook点赞的关联
- 12.2 用户画像：寻找典型行为
- 12.3 链路预测和社交推荐
- 12.4 数据约简、潜在信息和电影推荐
- 12.5 偏差、方差和集成方法
- 12.6 数据驱动的因果解释和一个病毒式营销示例
- 12.7 小结
- 第13章 数据科学和经营战略
- 13.1 数据分析式思维，终极版
- 13.2 用数据科学取得竞争优势
- 13.3 用数据科学保持竞争优势
- 13.3.1 令人敬畏的历史优势
- 13.3.2 独一无二的知识产权
- 13.3.3 独一无二的无形抵押资产
- 13.3.4 优秀的数据科学家
- 13.3.5 优秀的数据科学管理
- 13.4 吸引和培养数据科学家及其团队
- 13.5 检验数据科学案例分析
- 13.6 做好准备，接受来源各异的创意
- 13.7 做好准备，评估数据科学项目提案
- 13.7.1 数据挖掘提案示例
- 13.7.2 Big Red提案中的缺陷
- 13.8 企业的数据科学成熟度
- 第14章 总结
- 14.1 数据科学的基本概念
- 14.1.1 将基本概念应用于新问题：挖掘移动设备数据
- 14.1.2 改变对商业问题解决方案的思考方式
- 14.2 数据做不到的：圈中人回顾
- 14.3 隐私、道德和挖掘个人数据
- 14.4 数据科学是否还有更多内容
- 14.5 最后一例：从众包到云包
- 14.6 最后的话
- 附录A 提案评估指南
- 附录B 另一个提案示例
- 参考文献
书名：商战数据挖掘：你需要了解的数据科学与分析思维
作者：Foster Provost, Tom Fawcett 著
译者：郭鹏程, 管晨 译
国内出版社：人民邮电出版社
出版时间：2019年12月
页数：278
书号：978-7-115-52233-7
原版书书名：Data Science for Business
原版书出版商：O'Reilly Media
购买选项
|
© 2024，奥莱利技术咨询(北京)有限公司。版权所有。 传真: +86-10-88097463 京ICP备05003502号 |
|