大數(shù)據(jù)、數(shù)據(jù)挖掘與智慧運營

第1章大數(shù)據(jù)、數(shù)據(jù)挖掘與智慧運營綜述1
1.1數(shù)據(jù)挖掘的發(fā)展史2
1.1.1數(shù)據(jù)挖掘的定義與起源2
1.1.2數(shù)據(jù)挖掘的早期發(fā)展3
1.1.3數(shù)據(jù)挖掘的算法前傳4
1.1.4數(shù)據(jù)挖掘的第一個里程碑8
1.1.5最近十年的發(fā)展與應(yīng)用11
1.2數(shù)據(jù)挖掘的主要流程與金字塔模型13
1.2.1數(shù)據(jù)挖掘的任務(wù)14
1.2.2數(shù)據(jù)挖掘的基本步驟16
1.2.3數(shù)據(jù)挖掘的架構(gòu)——云計算17
1.2.4“金字塔”模型20
1.3數(shù)據(jù)挖掘?qū)χ腔圻\營的意義22
1.3.1“互聯(lián)網(wǎng)+”時代的來臨及其對運營商的沖擊和挑戰(zhàn)22
1.3.2大數(shù)據(jù)時代的來臨及其對運營商的挑戰(zhàn)和機遇24
1.3.3電信運營商運營發(fā)展面臨的主要瓶頸26
1.3.4電信運營商發(fā)展的“三條曲線”27
1.3.5智慧運營與大數(shù)據(jù)變現(xiàn)29
1.3.6數(shù)據(jù)挖掘?qū)τ谔嵘腔圻\營效率的意義30
1.4大數(shù)據(jù)時代已經(jīng)來臨31
1.4.1大數(shù)據(jù)的定義31
1.4.2大數(shù)據(jù)的“4V”特征32
1.4.3結(jié)構(gòu)化數(shù)據(jù)與非結(jié)構(gòu)化數(shù)據(jù)33
1.5非結(jié)構(gòu)化數(shù)據(jù)挖掘的研究進(jìn)展34
1.5.1文本挖掘34
1.5.2模式識別36
1.5.3語音識別40
1.5.4視頻識別44
1.5.5其他非結(jié)構(gòu)化數(shù)據(jù)挖掘48
1.6數(shù)據(jù)挖掘與機器學(xué)習(xí)、深度學(xué)習(xí)、人工智能及云計算50
1.6.1機器學(xué)習(xí)51
1.6.2深度學(xué)習(xí)53
1.6.3人工智能55
1.6.4云計算56
1.7現(xiàn)有數(shù)據(jù)挖掘的主要分析軟件與系統(tǒng)61
1.7.1Hadoop61
1.7.2Storm63
1.7.3Spark65
1.7.4SPASS（SPSS）66
1.7.5SAS68
參考文獻(xiàn)70
第2章數(shù)據(jù)統(tǒng)計與數(shù)據(jù)預(yù)處理73
2.1數(shù)據(jù)屬性類型74
2.1.1數(shù)據(jù)屬性定義74
2.1.2離散屬性74
2.1.3連續(xù)屬性75
2.2數(shù)據(jù)的統(tǒng)計特性77
2.2.1中心趨勢度量77
2.2.2數(shù)據(jù)散布度量78
2.2.3數(shù)據(jù)相關(guān)性82
2.3數(shù)據(jù)預(yù)處理87
2.3.1數(shù)據(jù)預(yù)處理概述87
3.6基于網(wǎng)格的聚類：CLIQUE140
3.6.1基于網(wǎng)格的聚類算法概述140
3.6.2CLIQUE算法的基本原理141
3.6.3CLIQUE算法的優(yōu)勢與劣勢142
參考文獻(xiàn)143
第4章分類分析145
4.1分類分析概述146
4.2分類分析的評估148
4.3決策樹分析152
4.3.1決策樹算法的基本原理152
4.3.2CHAID決策樹160
4.3.3ID3決策樹167
4.3.4C4.5決策樹171
4.3.5CART決策樹175
4.3.6決策樹中的剪枝問題179
4.3.7決策樹在SPSS中的應(yīng)用180
4.4最近鄰分析（KNN）185
4.4.1KNN算法的基本原理185
4.4.2KNN算法流程186
4.4.3KNN算法的若干問題187
4.4.4KNN分類器的特征188
4.4.5KNN算法在SPSS中的應(yīng)用188
4.5貝葉斯分析191
4.5.1貝葉斯定理191
4.5.2樸素貝葉斯分類192
4.5.3貝葉斯網(wǎng)絡(luò)195
4.6神經(jīng)網(wǎng)絡(luò)199
4.6.1感知器200
4.6.2多重人工神經(jīng)網(wǎng)絡(luò)201
4.6.3人工神經(jīng)網(wǎng)絡(luò)的特點203
4.7支持向量機204
第6章關(guān)聯(lián)分析245
6.1關(guān)聯(lián)分析概述246
6.2關(guān)聯(lián)分析的評估指標(biāo)247
6.2.1支持度247
6.2.2置信度248
6.2.3算法復(fù)雜度248
6.3Apriori算法249
6.3.1頻繁項集的定義與產(chǎn)生249
6.3.2先驗原理251
6.3.3基于支持度的計數(shù)與剪枝252
6.3.4候選項集生成253
6.3.5基于置信度的剪枝259
6.3.6Apriori算法規(guī)則生成259
6.4FP-tree算法261
6.4.1頻繁模式樹261
6.4.2FP-tree算法頻繁項集的產(chǎn)生263
6.4.3FP-tree算法規(guī)則生成263
6.4.4算法性能對比與評估264
6.5SPSSModeler關(guān)聯(lián)分析實例265
參考文獻(xiàn)269
第7章增強型數(shù)據(jù)挖掘算法271
7.1增強型數(shù)據(jù)挖掘算法概述272
7.1.1組合方法的優(yōu)勢272
7.1.2構(gòu)建組合分類器的方法272
7.2隨機森林273
7.2.1隨機森林的原理273
7.2.2隨機森林的優(yōu)缺點276
7.2.3隨機森林的泛化誤差276
7.2.4輸入特征的選擇方法277
7.3Bagging算法277