第1章商业数据分析基础
1.1 商业数据分析的本质
1.2 商业数据分析**的建设
第 2 章 数据分析的武器库
2.1 数据挖掘简介
2.2 R 语言简介
2.3 R 与 RStudio 的下载和安装
2.4 在 RStudio 中安装包
2.5 练习题
第 3 章 R 语言编程
3.1 R 的基本数据类型
3.2 R 的基本数据结构
3.3 R 的程序控制
3.4 R 的函数第1章商业数据分析基础<br />1.1 商业数据分析的本质<br />1.2 商业数据分析**的建设 <br />第 2 章 数据分析的武器库<br />2.1 数据挖掘简介<br />2.2 R 语言简介<br />2.3 R 与 RStudio 的下载和安装<br />2.4 在 RStudio 中安装包<br />2.5 练习题 <br />第 3 章 R 语言编程<br />3.1 R 的基本数据类型<br />3.2 R 的基本数据结构 <br />3.3 R 的程序控制<br />3.4 R 的函数 <br />3.5 R 的日期与时间数据类型 <br />3.6 在 R 中读写数据<br />3.7 练习题<br />第 4 章 R 描述性统计分析与绘图<br />4.1 描述性统计分析<br />4.2 制图的步骤<br />4.3 R 基础绘图包 <br />4.4 ggplot2 绘图<br />4.5 练习题<br />第 5 章 数据整合和数据清洗<br />5.1 数据整合<br />5.2 R 中的**数据整合<br />5.3 R 中的抽样<br />5.4 R 的数据清洗 . <br />5.5 数据整合<br />第 6 章 统计推断基础 <br />6.1 基本的统计学概念 <br />6.3 双样本 t 检验 <br />6.4 方差分析(分类变量和连续变量关系检验)<br />6.5 相关分析(两连续变量关系检验)<br />6.6 卡方检验(两分类变量关系检验)<br />6.7 练习题. <br />第 7 章 客户价值预测:线性回归模型与诊断 <br />7.1 相关性分析<br />7.2 线性回归<br />7.3 线性回归诊断 <br />7.4 正则化方法<br />7.5 练习题 <br />第 8 章 Logistic 回归构建初始信用评级<br />8.1 Logistic 回归的相关关系分析<br />8.2 Logistic 回归模型及实现<br />8.3 *大熵模型与极大似然法估计<br />8.4 模型评估<br />8.5 练习题<br />第 9 章 使用决策树进行信用评级 <br />9.1 决策树建模思路<br />9.2 决策树算法<br />9.3 在 R 中实现决策树<br />9.4 组合算法(Ensemble Learning)<br />9.5 练习题<br />第 10 章 神经网络<br />10.1 神经元模型<br />10.2 人工神经网络模型<br />10.3 单层感知器<br />10.4 BP 神经网络<br />10.5 RBF 神经网络<br />10.6 神经网络设计与 R 代码实现<br />10.7 练习题<br />第 11 章 分类器入门:*近邻域与贝叶斯网络. <br />11.1 分类器的概念 <br />11.2 KNN 算法<br />11.3 朴素贝叶斯<br />11.4 贝叶斯网络<br />11.5 练习题 <br />第 12 章 **分类器:支持向量机<br />12.1 线性可分与线性不可分 <br />12.2 线性可分支持向量机<br />12.3 线性支持向量机<br />12.4 非线性支持向量机<br />12.5 R 中的支持向量机<br />12.6 练习题<br />第 13 章 连续变量的维度归约<br />13.1 维度归约方法概述<br />13.2 主成分分析<br />13.3 因子分析<br />13.4 奇异值分解<br />13.5 对应分析和多维尺度分析<br />13.6 练习题<br />第 14 章 聚类<br />14.1 聚类分析概述<br />14.2 聚类算法逻辑. <br />14.3 层次聚类. <br />14.4 k-means 聚类<br />14.5 基于密度的聚类. <br />14.6 聚类模型的评估<br />14.7 高斯混合模型(Gaussian Mixture Model)<br />14.8 客户分群<br />14.9 练习题<br />第 15 章 关联规则与**算法<br />15.1 长尾理论<br />15.2 关联规则 <br />15.3 序贯模型<br />15.4 **算法与**系统. <br />15.5 练习题. <br />第 16 章 时间序列建模 <br />16.1 认识时间序列<br />16.2 简单时间序列分析. <br />16.3 平稳时间序列分析 ARMA 模型<br />16.4 非平稳时间序列分析 ARIMA 模型<br />第 17 章 特征工程( Feature Engineering)(博文视点官方网站下载) <br />17.1 特征工程概述. <br />17.2 数据预处理(Data Preprocessing)<br />17.3 特征构造(Feature Construction)<br />17.4 特征抽取(Feature Extraction)<br />17.5 特征选择(Feature Selection)<br />第 18 章 R 文本挖掘(博文视点官方网站下载)<br />18.1 文本挖掘<br />18.2 文本清洗<br />18.3 中文分词与文档模型. <br />18.4 文本的特征选择及相关性度量 <br />18.5 文本分类<br />18.6 主题模型<br />18.7 综合案例. <br />附录 A 数据说明(博文视点官方网站下载)显示全部信息前 言前言
本书按照数据挖掘工程师规范化学习体系而定,对于一名初学者,应该先掌握必要的编程工具、统计理论基础、数据挖掘算法等内容。进而,数据挖掘需要根据业务问题选择合适的方法,按照标准流程,即数据的获取、储存、整理、清洗、归约等一系列数据处理技术,并*终得出果,绘制图表并解读数据,这些内容在本书中进行了详细的讲解和操作分析。本书整体风格是“理论 技术 应用”的一个学习过程,*终目的在于商业业务应用,为欲从事数据挖掘的各界人士提供一个规范化的数据分析师学习体系。
读者对象
本书是一本面向商业数据分析初学者的教材,从具体的商业数据分析案例入手,使读者掌握数<p class="p0">前言 </p> <p class="p0">本书有别于其他数据挖掘书籍*大的特点在于参与写作的主要作者均为非理工科背景并具有数据挖掘岗位数年的实际工作经验,且从事 3 年以上的培训工作。这使得本书更贴近实际运用的同时,紧抓初学者的痛点,语言更浅显易懂,操作性更强。当然,这也使得本书在前沿方法的讲解上略显不足。因为一个算法要在商业数据挖掘中得到运用需要大致 3~5 年的时间。所以本书仅适合数据挖掘入门人员使用。而且本系列教材强调追求浅显易懂,只注重运用中是否够用,不关心算法知识的全面性,因此在算法推导过程中降低了难度,不涉及非关键且不易理解的部分。当读者从事数据挖掘 2~3 年后,本书的知识就不能满足其更高的需求了,需要参考内容更深入的书籍,比如更专业的《统计学习方法》、《机器学习》等。<br />本书按照数据挖掘工程师规范化学习体系而定,对于一名初学者,应该先掌握必要的编程工具、统计理论基础、数据挖掘算法等内容。进而,数据挖掘需要根据业务问题选择合适的方法,按照标准流程,即数据的获取、储存、整理、清洗、归约等一系列数据处理技术,并*终得出果,绘制图表并解读数据,这些内容在本书中进行了详细的讲解和操作分析。本书整体风格是<span style="font-family: FZZDXJW--GB1-0;">“</span><span style="font-family: 宋体;">理论</span>>技术>应用<span style="font-family: FZZDXJW--GB1-0;">”</span><span style="font-family: 宋体;">的一个学习过程,*终目的在于商业业务应用,为欲从事数据挖掘的各界人士提供一个规范化的数据分析师学习体系。</span><br />读者对象<br />本书是一本面向商业数据分析初学者的教材,从具体的商业数据分析案例入手,使读者掌握数<br />据挖掘的目的、理念、思路与分析步骤。本书力图淡化技术,对于方法的介绍也尽量避免涉及过多的数学内容,和高等数学相关的内容只在线形回归和主成分分析这两节中涉及,而且都辅以图形做形象的展现。因此本书的读者只需要具有高中水平的数学基础即可。但是本书强调每种方法的假设、适用条件都与商业数据分析的主题匹配。在教学实践中,我们发现业务经验丰富和有较好商业模式理解的学员,在学习数据挖掘时有更好的效果,主要原因可能是这类学员有较强的思辨能力、分析能力、学习目的性和质量意识,而不是简单地模仿和套用数学公式。<br />工具介绍<br />当前, R 和 Python 等开源软件方兴未艾,但是这类软件学习曲线缓慢,使很多初学者的热情在进入数据分析的核心领域之前就消逝殆尽。商业数据分析的真正目的是为了解决业务的分析需求,构造稳健的数据挖掘模型。数据挖掘产品的质量是通过对分析流程的严格掌控而得以保障的。本书注重实用,直指数据挖掘实施的要点,精选业界使用*广泛的实施方案,为读者节约宝贵的时间。相对于 Python, R 偏向于统计分析、计量经济学和统计内容。 R 不仅在学术研究中拥有广泛的用户基础,而且和 Oracle、 SQL Sever 等数据库软件的结合使其不再受内存的限制,从而在商业上有了一定的用武之地。而且 R 和 Hadoop、 Spark 等大数据分析平台也可以自由连接。<br />阅读指南<br />本书包括 18 章,内容涉及使用 R 做数据挖掘的主要分析方法。其中,第 1、 2 章为数据分析方法概述,第 3 章为 R 语言编程基础,第 4 章至第 8 章为统计学习方法,第 9 章至第 16 章为数据挖掘方法,第 17 章为特征工程,第 18 章为 R 文本挖掘。每章都根据涉及的知识点的不同,选取了实用的案例,并为读者准备了相应的思考和练习题。为方便读者学习,本书提供书中案例的源文件下载,请读者进入 CDA 官网(http://cda.cn/view/22045.html)的相应专栏下载数据和源代码。</p> <p class="p0">本书特点</p> <p class="p0">本书作为 CDA **本数据挖掘教材,和其他统计软件图书有很大的不同,文体结构新颖,案例贴近实际,讲解深入透彻。这些特点主要表现在以下几方面。</p> <p class="p0">场景式设置<br />本书对互联网、电商、电信、银行等商业案例进行精心归纳,提炼出各类数据分析的运用场景,方便读者查找与实际工作相似的问题。</p> <p class="p0">开创式结构<br />本书案例中的<span style="font-family: FZZDXJW--GB1-0;">“</span><span style="font-family: 宋体;">解决方案</span><span style="font-family: FZZDXJW--GB1-0;">”</span><span style="font-family: 宋体;">环节是对问题的解决思路的解说,结合</span><span style="font-family: FZZDXJW--GB1-0;">“</span><span style="font-family: 宋体;">操作方法</span><span style="font-family: FZZDXJW--GB1-0;">”</span><span style="font-family: 宋体;">环节中的步骤让读者更容易理解。</span><span style="font-family: FZZDXJW--GB1-0;">“</span><span style="font-family: 宋体;">原理分析</span><span style="font-family: FZZDXJW--GB1-0;">”</span><span style="font-family: 宋体;">环节则主要解释所使用代码的工作原理或者详细解释思路。</span><span style="font-family: FZZDXJW--GB1-0;">“</span><span style="font-family: 宋体;">知识扩展</span><span style="font-family: FZZDXJW--GB1-0;">”</span><span style="font-family: 宋体;">环节是对与案例相关的知识点的补充,既能拓展读者的视野,同时也有利于理解案例本身的解决思路。</span></p> <p class="p0">启发式描述<br />本书注重培养读者解决问题的思路,以*朴实的思维方式结合启发式的描述,帮助读者发现、总结和运用规律,从而启发读者快速地找出解决问题的方法。<br />学习方法<br />俗话说,<span style="font-family: FZZDXJW--GB1-0;">“</span><span style="font-family: 宋体;">打把势全凭架势,像不像,三分样</span><span style="font-family: FZZDXJW--GB1-0;">”</span><span style="font-family: 宋体;">。只有熟悉数据挖掘的流程,才能实现从模仿到</span><br />灵活运用的提升。在产品质量管理方面,对流程的掌控是成功的关键,在数据挖掘过程中,流程同样是重中之重。数据挖掘是一个先后衔接的过程,一个步骤的失误会带来完全错误的结果。一个数据挖掘的流程大致包括抽样、数据清洗、数据转换、建模和模型评估这几个步骤。如果抽样中的取数逻辑不正确,就有可能使因果关系倒置,因而得到完全相反的结论。如果数据转换方法选择不正确,模型就难以得到预期的结果。而且,数据分析是一个反复试错的过程,每一步都要求有详细的记录和操作说明,否则数据挖掘人员很可能迷失方向。学习数据挖掘*好的方法就是动手做一遍,本书语言通俗但高度凝炼,很少有公式,以避免读者麻痹大意。本书按照相关商业数据分析主题提供了相应的练习数据,同时提供相关方面的参考资料,供读者学习。</p>显示全部信息免费在线读序言:数据分析是当代商业的主旋律
CDA 数据分析研究院历经多年研发,*终呈现给大家这一系列教材。“CDA”是注册数据分析师的英文缩写。CDA 行业有当前的发展,主要是时势使然。遥想成立之时,金融海啸正逐步向实体经济蔓延,国际大型跨国企业由于经营业绩下滑,纷纷裁员。例如国际制药企业默沙东全球裁员5000余人,但奇特的是其不仅没有裁减亚太研究**的数据分析人员,反而还在各大高校积极招聘。出现这种怪现象主要是因为数据分析职业是逆经济周期发展的。商业发展前景越悲观、行业竞争越激烈,企业对数据分析人员的需求就越旺盛。这和在经济低迷时,化妆品和电信公司收入反而提高是一个道理。我国大数据的元年为2013 年,与金融海啸相隔5 年,在这5 年里,金融的风险向实体经济逐渐释放。自2008 年后,国际贸易逐渐走弱,代工类企业的收入明显下降。很多外向型企业逐渐瞄准国内市场,但是这谈何容易。这类企业对国内市场很陌生,市场推介主要是依靠各类展销,一年的生产目标仅靠几个大订单就能确定。企业过去的商业模式基本上就是一个成本**,只要控制好成本,就算万事大吉。如今一旦进入国内散客市场,创建自主品牌,商业模式便会完全改变。企业要进行客户分析、了解市场结构与客户偏好,并投入研发、宣传、开拓市场等工作中。之前接触过一些转型中的企业,它们一开始都不知道客户在哪里,产品需求分析与趋势预测更是无从谈起。管理学大师德鲁克曾指出,“在未来的社会中,不能正确预测趋势将导致企业****的失败”。这从侧面反映了当时企业的尴尬境地。企业在困境中一方面要进一步控制成本,对内通过数据治理实现效率的提高;另一方面,要积极获取外部数据用于市场分析、客户研究,从而指导产品研发和市场策略,这就是大数据相关行业火热起来的根本原因。
本书适合人群: 本书是一本面向商业数据分析初学者的教材,从具体的商业数据分析案例入手,使读者掌握数据挖掘的目的、理念、思路与分析步骤。本书力图淡化技术,对于方法的介绍也尽量避免涉及过多的数学内容,和高等数学相关的内容只在线形回归和主成分分析这两节中涉及,而且都辅以图形做形象的展现。因此本书的读者只需要具有高中水平的数学基础即可。但是本书强调每种方法的假设、适用条件都与商业数据分析的主题匹配。在教学实践中,我们发现业务经验丰富和有较好商业模式理解的学员,在学习数据挖掘时有更好的效果,主要原因可能是这类学员有较强的思辨能力、分析能力、学习目的性和质量意识,而不是简单地模仿和套用数学公式。
常国珍,北京大学会计学博士,中国大数据产业生态联盟专家委员会专家委员。主要从事金融、电信行业客户画像,信用与操作风险识别与防范,客户终生价值预测与价值提升等工作。 曾珂,华中师范大学管理科学工程硕士,现为**车贷金融产品部产品经理,精通Python与R语言数据挖掘。曾经就职于华为、**电网等企业。以金融信用与欺诈风险建模、文本分析、数据可视化等为主要研究方向。 朱江,挪威科技大学工学硕士,现为CDA数据分析研究院课程开发副总监,CDA数据挖掘竞赛的评委。精通R与SAS语言数据挖掘,从事电商与互联网数据分析的教学工作。研究方向为电商**系统开发、数据可视化、客户特征提取和客户行为模式发现。