掃一掃
關(guān)注中圖網(wǎng)
官方微博
大數(shù)據(jù)與商務(wù)決策 版權(quán)信息
- ISBN：9787551724715
- 條形碼：9787551724715 ; 978-7-5517-2471-5
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>>
大數(shù)據(jù)與商務(wù)決策 內(nèi)容簡介
本書共分十章, 內(nèi)容包括: 基本概念、統(tǒng)計學(xué)習(xí)方法概述、分類器模型的評價標準及提升策略、感知機與神經(jīng)網(wǎng)絡(luò)、貝葉斯分類方法、k近鄰算法等。
大數(shù)據(jù)與商務(wù)決策 目錄
**章 基本概念
**節(jié) 大數(shù)據(jù)的概念及其分析的一般思路
一、大數(shù)據(jù)概念探析
二、大數(shù)據(jù)時代不可忽略的小數(shù)據(jù)分析
第二節(jié) 商務(wù)決策的概念以及一般步驟
一、決策與商務(wù)決策
二、商務(wù)決策的一般步驟
三、商務(wù)決策的一個例子
第三節(jié) 數(shù)據(jù)分析與商務(wù)決策的關(guān)系及一些典型示例
一、兩者之間的關(guān)系
二、典型示例
第四節(jié) 各章節(jié)內(nèi)容及各章的重點難點
習(xí)題一
本章參考文獻
第二章 統(tǒng)計學(xué)習(xí)方法概述
**節(jié) 一個導(dǎo)入性的例子
第二節(jié) 統(tǒng)計學(xué)習(xí)方法的三要素及其含義
一、模型
二、策略
三、算法
習(xí)題二
本章參考文獻
第三章 分類器模型的評價標準及提升策略
**節(jié) 分類器模型的一般形式
第二節(jié) 評價分類器準確性的指標
一、Accuracy，Precision，Recall和F-measure
二、Cost
三、ROC和AUC
第三節(jié) 提高分類器準確性的方法
一、袋裝法
二、自適應(yīng)增強方法
習(xí)題三
本章參考文獻
第四章 感知機與神經(jīng)網(wǎng)絡(luò)
**節(jié) 概念介紹
第二節(jié) 感知機
一、感知機模型
二、感知機學(xué)習(xí)策略
三、感知機學(xué)習(xí)算法
四、感知機學(xué)習(xí)算法的收斂性
第三節(jié) 人工神經(jīng)網(wǎng)絡(luò)
一、神經(jīng)元模型
二、神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
三、神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則
第四節(jié) BP神經(jīng)網(wǎng)絡(luò)算法
一、BP神經(jīng)網(wǎng)絡(luò)算法基本原理
二、BP神經(jīng)網(wǎng)絡(luò)算法的流程及算例
三、模型應(yīng)用討論
習(xí)題四
本章參考文獻
第五章 貝葉斯分類方法
**節(jié) 貝葉斯定理
一、條件概率
二、貝葉斯定理
第二節(jié) 貝葉斯定理在分類中的應(yīng)用概述
一、分類問題概述
二、貝葉斯定理在分類中運用的基本原理
第三節(jié) 樸素貝葉斯分類方法
一、概念及主要方法描述
二、方法流程及算例
習(xí)題五
本章參考文獻
第六章 k近鄰算法
**節(jié) k近鄰算法基本原理
第二節(jié) k近鄰模型
一、模型
二、距離度量
三、k值的選擇
四、分類決策規(guī)則：與統(tǒng)計學(xué)習(xí)方法一般模型的關(guān)系
第三節(jié) 后近鄰算法的實現(xiàn)：kd-樹
一、構(gòu)造kd-樹
二、搜索kd-樹
第四節(jié) 商務(wù)決策案例及應(yīng)用：員工離職預(yù)測
一、數(shù)據(jù)說明
二、問題描述
三、模型求解
四、結(jié)果總結(jié)及討論
習(xí)題六
本章參考文獻
第七章 聚類算法
**節(jié) 聚類分析基本概念
一、性能度量
二、距離計算
第二節(jié) 聚類算法的分類
一、基于劃分的方法
二、基于層次的方法
三、基于密度的方法
第三節(jié) k均值算法
一、基本原理
二、算法流程
第四節(jié) BIRCH算法
一、聚類特征(CF)
二、聚類特征樹(CF-tree)
第五節(jié) DBSCAN算法
一、基本原理
二、算法流程
第六節(jié) 方法總結(jié)與討論
習(xí)題七
本章參考文獻
第八章 EM算法及其應(yīng)用
**節(jié) EM算法的基本流程
一、從三硬幣問題的方法導(dǎo)入
二、極大似然估計與牛頓法求解“三枚硬幣問題”
三、EM算法的基本步驟
第二節(jié) EM算法的來源
一、EM算法的來源推導(dǎo)
二、EM算法的收斂性分析
第三節(jié) EM算法的應(yīng)用舉例
習(xí)題八
本章參考文獻
第九章 隨機行動者模型
**節(jié) 隨機行動者模型簡介
第二節(jié) 隨機行動者模型
一、基本假設(shè)
二、模型說明
三、參數(shù)估計
第三節(jié) 效應(yīng)說明
一、網(wǎng)絡(luò)結(jié)構(gòu)效應(yīng)
二、一元屬性
三、二元屬性
四、效應(yīng)選擇的規(guī)則
第四節(jié) 模型應(yīng)用
習(xí)題九
本章參考文獻
第十章 大數(shù)據(jù)處理及應(yīng)用示例
**節(jié) 數(shù)據(jù)規(guī)模的認識
第二節(jié) 大數(shù)據(jù)處理框架簡介
第三節(jié) Hadoop處理框架
一、HDFS：分布式文件系統(tǒng)
二、MapReduce：分布式計算框架
三、Yam：資源調(diào)度管理
第四節(jié) 商務(wù)決策實戰(zhàn)
一、流量統(tǒng)計與地點聚類
二、地址標簽匹配
第五節(jié) 討論與小結(jié)
習(xí)題十
本章參考文獻
**節(jié) 大數(shù)據(jù)的概念及其分析的一般思路
一、大數(shù)據(jù)概念探析
二、大數(shù)據(jù)時代不可忽略的小數(shù)據(jù)分析
第二節(jié) 商務(wù)決策的概念以及一般步驟
一、決策與商務(wù)決策
二、商務(wù)決策的一般步驟
三、商務(wù)決策的一個例子
第三節(jié) 數(shù)據(jù)分析與商務(wù)決策的關(guān)系及一些典型示例
一、兩者之間的關(guān)系
二、典型示例
第四節(jié) 各章節(jié)內(nèi)容及各章的重點難點
習(xí)題一
本章參考文獻
第二章 統(tǒng)計學(xué)習(xí)方法概述
**節(jié) 一個導(dǎo)入性的例子
第二節(jié) 統(tǒng)計學(xué)習(xí)方法的三要素及其含義
一、模型
二、策略
三、算法
習(xí)題二
本章參考文獻
第三章 分類器模型的評價標準及提升策略
**節(jié) 分類器模型的一般形式
第二節(jié) 評價分類器準確性的指標
一、Accuracy，Precision，Recall和F-measure
二、Cost
三、ROC和AUC
第三節(jié) 提高分類器準確性的方法
一、袋裝法
二、自適應(yīng)增強方法
習(xí)題三
本章參考文獻
第四章 感知機與神經(jīng)網(wǎng)絡(luò)
**節(jié) 概念介紹
第二節(jié) 感知機
一、感知機模型
二、感知機學(xué)習(xí)策略
三、感知機學(xué)習(xí)算法
四、感知機學(xué)習(xí)算法的收斂性
第三節(jié) 人工神經(jīng)網(wǎng)絡(luò)
一、神經(jīng)元模型
二、神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
三、神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則
第四節(jié) BP神經(jīng)網(wǎng)絡(luò)算法
一、BP神經(jīng)網(wǎng)絡(luò)算法基本原理
二、BP神經(jīng)網(wǎng)絡(luò)算法的流程及算例
三、模型應(yīng)用討論
習(xí)題四
本章參考文獻
第五章 貝葉斯分類方法
**節(jié) 貝葉斯定理
一、條件概率
二、貝葉斯定理
第二節(jié) 貝葉斯定理在分類中的應(yīng)用概述
一、分類問題概述
二、貝葉斯定理在分類中運用的基本原理
第三節(jié) 樸素貝葉斯分類方法
一、概念及主要方法描述
二、方法流程及算例
習(xí)題五
本章參考文獻
第六章 k近鄰算法
**節(jié) k近鄰算法基本原理
第二節(jié) k近鄰模型
一、模型
二、距離度量
三、k值的選擇
四、分類決策規(guī)則：與統(tǒng)計學(xué)習(xí)方法一般模型的關(guān)系
第三節(jié) 后近鄰算法的實現(xiàn)：kd-樹
一、構(gòu)造kd-樹
二、搜索kd-樹
第四節(jié) 商務(wù)決策案例及應(yīng)用：員工離職預(yù)測
一、數(shù)據(jù)說明
二、問題描述
三、模型求解
四、結(jié)果總結(jié)及討論
習(xí)題六
本章參考文獻
第七章 聚類算法
**節(jié) 聚類分析基本概念
一、性能度量
二、距離計算
第二節(jié) 聚類算法的分類
一、基于劃分的方法
二、基于層次的方法
三、基于密度的方法
第三節(jié) k均值算法
一、基本原理
二、算法流程
第四節(jié) BIRCH算法
一、聚類特征(CF)
二、聚類特征樹(CF-tree)
第五節(jié) DBSCAN算法
一、基本原理
二、算法流程
第六節(jié) 方法總結(jié)與討論
習(xí)題七
本章參考文獻
第八章 EM算法及其應(yīng)用
**節(jié) EM算法的基本流程
一、從三硬幣問題的方法導(dǎo)入
二、極大似然估計與牛頓法求解“三枚硬幣問題”
三、EM算法的基本步驟
第二節(jié) EM算法的來源
一、EM算法的來源推導(dǎo)
二、EM算法的收斂性分析
第三節(jié) EM算法的應(yīng)用舉例
習(xí)題八
本章參考文獻
第九章 隨機行動者模型
**節(jié) 隨機行動者模型簡介
第二節(jié) 隨機行動者模型
一、基本假設(shè)
二、模型說明
三、參數(shù)估計
第三節(jié) 效應(yīng)說明
一、網(wǎng)絡(luò)結(jié)構(gòu)效應(yīng)
二、一元屬性
三、二元屬性
四、效應(yīng)選擇的規(guī)則
第四節(jié) 模型應(yīng)用
習(xí)題九
本章參考文獻
第十章 大數(shù)據(jù)處理及應(yīng)用示例
**節(jié) 數(shù)據(jù)規(guī)模的認識
第二節(jié) 大數(shù)據(jù)處理框架簡介
第三節(jié) Hadoop處理框架
一、HDFS：分布式文件系統(tǒng)
二、MapReduce：分布式計算框架
三、Yam：資源調(diào)度管理
第四節(jié) 商務(wù)決策實戰(zhàn)
一、流量統(tǒng)計與地點聚類
二、地址標簽匹配
第五節(jié) 討論與小結(jié)
習(xí)題十
本章參考文獻
展開全部
書友推薦
- >
新文學(xué)天穹兩巨星--魯迅與胡適/紅燭學(xué)術(shù)叢書(紅燭學(xué)術(shù)叢書)
- >
詩經(jīng)-先民的歌唱
- >
推拿
- >
自卑與超越
- >
小考拉的故事-套裝共3冊
- >
人文閱讀與收藏·良友文學(xué)叢書:一天的工作
- >
月亮與六便士
- >
山海經(jīng)
本類暢銷
