數(shù)據(jù)挖掘與應用：以SAS和R為工具（第二版）

定　價：￥58.00

作　者：	張俊妮著
出版社：	北京大學出版社
叢編項：	光華思想力書系·教材領航
標　簽：	暫缺

購買這本書可以去

ISBN：	9787301299098	出版時間：	2018-10-01	包裝：	平裝
開本：	16開	頁數(shù)：	356	字數(shù)：

內容簡介

　　《數(shù)據(jù)挖掘與應用：以SAS和R為工具（第二版）》是數(shù)據(jù)挖掘領域的經典教材，基于北京大學光華管理學院“數(shù)據(jù)挖掘與應用”課程。書中系統(tǒng)、全面地介紹了數(shù)據(jù)挖掘領域的理論、技術工具以及實踐方法。主要內容包括：數(shù)據(jù)挖掘方法論、數(shù)據(jù)理解和數(shù)據(jù)準備、缺失數(shù)據(jù)、關聯(lián)規(guī)則挖掘、多元統(tǒng)計降維、聚類分析、線性回歸和廣義線性回歸、回歸模型規(guī)則化、神經網絡、決策樹、支持向量機、模型評估、模型組合、協(xié)同過濾等?！性诿糠N數(shù)據(jù)挖掘技術后，均輔以大量醫(yī)療、金融、營銷、保險、政府部門等應用案例，并均配有相關應用的SAS和R語言代碼，以及視頻課程二維碼。　第二版更新：第二版在頭一版的基礎上，增加了缺失數(shù)據(jù)、回歸模型中的規(guī)則化和變量選擇、卷積神經網絡、支持向量機、協(xié)同過濾這5章內容。在已有各章內，本書亦增加了新的內容和示例。近些年來，R因為其自由、免費、開源，已經發(fā)展為數(shù)據(jù)分析領域強大的軟件之一。因此，本書除了繼續(xù)展示SAS程序，還增加了R程序。

作者簡介

　　張俊妮：美國哈佛大學統(tǒng)計學博士，北京大學光華管理學院商務統(tǒng)計及經濟計量系副教授。研究領域包括：貝葉斯分析、因果推斷、數(shù)據(jù)挖掘及文本挖掘。在Journal of American Statistical Association、Statistica Sinica、等期刊上發(fā)表二十余篇論文，出版英文專著。曾獲北京大學教學優(yōu)秀獎、光華管理學院優(yōu)秀課程獎。

圖書目錄

前言

第 1 章數(shù)據(jù)挖掘概述 01
1.1 什么是數(shù)據(jù)挖掘 02
1.2 統(tǒng)計思想在數(shù)據(jù)挖掘中的重要性 02
1.3 數(shù)據(jù)挖掘的應用案例 07
1.4 CRISP-DM 數(shù)據(jù)挖掘方法論 14
1.5 SEMMA 數(shù)據(jù)挖掘方法論 15

第 2 章數(shù)據(jù)理解和數(shù)據(jù)準備 17
2.1 數(shù)據(jù)理解 19
2.2 數(shù)據(jù)準備 22
2.3 數(shù)據(jù)理解和數(shù)據(jù)準備示例： FNBA 信用卡數(shù)據(jù) 35

第 3 章缺失數(shù)據(jù) 51
3.1 缺失數(shù)據(jù)模式和缺失數(shù)據(jù)機制 52
3.2 缺失數(shù)據(jù)機制對數(shù)據(jù)分析的影響 53
3.3 缺失值插補 62
3.4 缺失數(shù)據(jù)插補及分析示例：紐約空氣質量 64

第 4 章關聯(lián)規(guī)則挖掘 73
4.1 關聯(lián)規(guī)則的實際意義 74
4.2 關聯(lián)規(guī)則的基本概念及 Apriori 算法 74
4.3 序列關聯(lián)規(guī)則 80
4.4 關聯(lián)規(guī)則挖掘示例 81
4.5 關聯(lián)規(guī)則挖掘的其他討論 85

第 5 章多元統(tǒng)計中的降維方法 88
5.1 主成分分析 89
5.2 探索性因子分析 97
5.3 多維標度分析 104

第 6 章聚類分析 111
6.1 距離與相似度的度量 113
6.2 k 均值聚類算法 117
6.3 層次聚類法 122

第 7 章預測性建模的一些基本方法 130
7.1 判別分析 131
7.2 樸素貝葉斯分類算法 134
7.3 k 近鄰法 137
7.4 線性回歸 141
7.5 廣義線性模型 149

第 8 章回歸模型中的規(guī)則化和變量選擇 168
8.1 線性回歸中的規(guī)則化和變量選擇 169
8.2 廣義線性模型中的規(guī)則化和變量選擇 181

第 9 章神經網絡的基本方法 184
9.1 神經網絡架構及基本組成 185
9.2 誤差函數(shù) 190
9.3 神經網絡訓練算法 193
9.4 提高神經網絡模型的可推廣性 198
9.5 數(shù)據(jù)預處理 200
9.6 神經網絡建模示例 201
9.7 自組織圖 222

第 10 章卷積神經網絡 230
10.1 深度神經網絡 231
10.2 卷積神經網絡架構 232
10.3 卷積神經網絡示例： Fashion-MNIST 數(shù)據(jù) 239

第 11 章決策樹方法 245
11.1 決策樹簡介 246
11.2 決策樹的生長與修剪 248
11.3 對缺失數(shù)據(jù)的處理 155
11.4 變量選擇 256
11.5 決策樹的優(yōu)缺點 257

第 12 章支持向量機 274
12.1 支持向量機用于二分類問題 275
12.2 支持向量機用于多分類問題 284
12.3 支持向量機用于回歸問題 285

第 13 章模型評估 290
13.1 因變量為二分變量的情形 291
13.2 因變量為多分變量的情形 301
13.3 因變量為連續(xù)變量的情形 303
13.4 模型評估示例：德國信用數(shù)據(jù)的模型評估 304

第 14 章模型組合與兩階段模型 312
14.1 模型組合 313
14.2 隨機森林 321
14.3 兩階段模型 324

第 15 章協(xié)同過濾 326
15.1 基于用戶（User-based）的協(xié)同過濾 327
15.2 基于物品（Item-based）的協(xié)同過濾 328
15.3 基于 SVD 的協(xié)同過濾 328
15.4 基于 Funk SVD 的協(xié)同過濾 329
15.5 協(xié)同過濾示例：動漫片推薦 331

參考文獻 337