擁抱大數據(新常態下的數據分析典型案例) 拥抱大数据:新常态下的数据分析典型案例

<內容簡介>

    李倩星、王震著的《擁抱大數據(新常態下的數據分析典型案例)》首先介紹了大數據的由來與數據分析師職業的前景，概述了大數據的特點及其分析方法，引發讀者對數據分析師的嚮往。然後介紹瞭如今最流行的近三十種大數據演算法，每種演算法都附有一個成功的商業案例，通過案例深入分析每種演算法的長處、缺點、適用範圍等，使讀者不僅知其然，更知其所以然。
    該書比介紹大數據類的書籍具有更多的理論知識，比各種演算法的教科書含有更多的實際應用，是兩者的絕妙過渡，適合對大數據有一定瞭解的讀者，可以幫助讀者在短時間內深入學習大數據分析的演算法體系，並進一步幫助讀者挑選需要精學的、適合自己的演算法。

<作者簡介>

李倩星//王震

<目錄>

第一章  為什麼市場需要數據分析師
  1.1  大數據的前世今生
  1.2  大數據的具體定義
  1.3  數據分析行業現狀及巨大缺口
第二章  什麼是數據分析師
  2.1  明確兩個概念
  2.2  從四份招聘簡歷說起
    2.2.1  第一份招聘簡歷要求
    2.2.2  第二份招聘簡歷要求
    2.2.3  第三份招聘簡歷要求
    2.2.4  第四份招聘簡歷要求
  2.3  數據分析師常見專業出身
    2.3.1  數學與應用數學、統計學專業
    2.3.2  經濟管理類專業
    2.3.3  電腦理論類專業
    2.3.4  電腦應用類專業
    2.3.5  其他專業
  2.4  數據分析師可從事行業
    2.4.1  因特網行業
    2.4.2  製造行業
    2.4.3  投資分析行業
    2.4.4  咨詢行業
    2.4.5  其他類公司綜述
第三章  如何成為數據分析師
  3.1  數據分析師基礎知識儲備
    3.1.1  基礎統計知識
    3.1.2  基礎的數據庫知識
    3.1.3  Office辦公軟件和專業數據分析工具
    3.1.4  基礎演算法編程知識
    3.1.5  業務知識
    3.1.6  一些數據分析經驗
    3.1.7  小結
  3.2  數據分析師常用工具盤點
    3.2.1  Excel
    3.2.2  SPSS 
    3.2.3  STATA 
    3.2.4  Eviews
    3.2.5  SAS
    3.2.6  Matlab
    3.2.7  R
    3.2.8  小結
  3.3  數據分析師應該學習的網絡課程
    3.3.1  M00C類課程
    3.3.2  網上學習平臺
    3.3.3  現場培訓班
第四章  描述性統計分析
  4.1  頻數分佈分析：用統計圖解決倫敦霍亂
    4.1.1  可怕的英國霍亂
    4.1.2  約翰醫生的實地調查
    4.1.3  對倫敦霍亂平息過程的分析

    4.1.4  頻數分佈分析總結
  4.2  關註數據代表性：統計學家改良轟炸機
    4.2.1  「二戰」盟國轟炸德國傷亡慘重
    4.2.2  轟炸機的返航率得到提高
    4.2.3  對轟炸機改進過程的分析
    4.2.4  數據代表性總結
  4.3  異常值分析：1號店提升營銷精準率
    4.3.1  1號店的數據分析案例
    4.3.2  1號店數據分析過程
    4.3.3  異常值分析總結
  4.4  對比分析：刻畫豆瓣變現具體壓力
    4.4.1  豆瓣變現的難題
    4.4.2  豆瓣變現的具體壓力
    4.4.3  對比分析總結
  4.5  描述性統計分析概述：淘寶箱店類目分析
    4.5.1  淘寶箱店類目背景
    4.5.2  箱店類目分析實解
    4.5.3  描述性統計分析小結
第五章  相關分析與回歸分析
  5.1  相關分析與回歸分析基礎-
  5.2  矩陣分解：價值百萬美元的Net6lx推薦系統
    5.2.1  Netnlx為推薦系統懸賞百萬美元
    5.2.2  構建一個推薦系統
    5.2.3  矩陣分解小結
  5.3  一元線性回歸：引發金融危機的風險價值模型
    5.3.1  廣受歡迎的風險價值模型
    5.3.2  評估一個理財產品的風險
    5.3.3  一元線性回歸小結：
  5.4  評分系統：星巴克選址借力大數據
    5.4.1  越來越難以選擇的快餐店地址
    5.4.2  多元線性回歸與評分系統
    5.4.3  評分系統小結-
  5.5  相關分析與回歸分析概述：奧巴馬使用大數據贏得大選
    5.5.1  神奇的Survey Manager系統
    5.5.2  美國大選詳細解讀
    5.5.3  相關分析與回歸分析總結
第六章  關聯分析與聚類分析
  6.1  關聯分析與聚類分析基礎
  6.2  購物籃分析：啤酒與尿布的經典案例
    6.2.1  沃爾瑪超市裡的啤酒與尿布
    6.2.2  購物籃分析案例實解
    6.2.3  購物籃分析小結
  6.3  序列模式挖掘：Web訪問模式幫助電商優化網站
    6.3.1  我們為什麼需要序列模式挖掘
    6.3.2  Web訪問模式與優化網站
    6.3.3  序列模式挖掘小結
  6.4  快速聚類：大數據捧火《紙牌屋》
    6.4.1  大數據助Netfilx賭贏《紙牌屋》
    6.4.2  透視《紙牌屋》背後的大數據演算法
    6.4.3  快速聚類小結

  6.5  層次聚類：人人網好友推薦的奧秘
    6.5.1  無處不在的好友推薦
    6.5.2  樸素的人人網好友推薦演算法
    6.5.3  層次聚類與好友推薦小結
  6.6  關聯分析與聚類分析綜述：加州極客的聚類分析把妹法
    6.6.1  使用大數據尋找另一半
    6.6.2  分成七類的潛在女朋友
    6.6.3  關聯分析與聚類分析小結
第七章  決策樹與模式識別
  7.1  C4.5演算法：電信客戶流失預測
    7.1.1  電信客戶的流失與預測
    7.1.2  使用信息熵建立決策樹模型
    7.1.3  為一個決策樹剪枝並解釋其規則
    7.1.4  決策樹小結
  7.2  RBF神經網絡：「房價網」的二手房價格評估
    7.2.1  二手房價格評估的局限性
    7.2.2  RBF神經網絡的構建與解釋
    7.2.3  RBF神經網絡小結
  7.3  貝葉斯分析：神奇的谷歌智能翻譯
    7.3.1  世界第一的谷歌翻譯
    7.3.2  貝葉斯分析和智能翻譯應用
    7.3.3  貝葉斯分析小結
  7.4  支持向量機：應用廣泛的手寫識別與語音識別
    7.4.1  從阿裡巴巴說起的模式識別
    7.4.2  解決了高維詛咒的支持向量機
    7.4.3  支持向量機小結
  7.5  判別分析：肯德基通過客戶分類大幅提高營業額
    7.5.1  難以複製的肯德基APP營銷模式
    7.5.2  用於分類的線性判別分析
    7.5.3  判別分析小結
  7.6  模式識別綜述：日趨成熟的信用評分模型
    7.6.1  美國為限制信用評分模型立法
    7.6.2  用多種演算法實現信用評分模型
    7.6.3  模式識別小結
第八章  更多的數據挖掘演算法
  8.1  核密度估計法：警務大數據預測犯罪
    8.1.1  《少數派報告》的現實版
    8.1.2  核密度估計法和聖克魯茲市的犯罪地圖
    8.1.3  核密度估計法小結
  8.2  Flu Trends：谷歌流感趨勢演算法幫助控制疫情
    8.2.1  谷歌流感趨勢演算法的成與敗
    8.2.2  谷歌流感趨勢演算法與流感關聯詞
    8.2.3  以F1u Trends為代表的預測演算法小結
  8.3  Apriori演算法：透視美國國會投票模式
    8.3.1  以立法者自居的美國國會議員
    8.3.2  Apriori演算法和關聯分析
    8.3.3  國會投票模式小結
  8.4  SVD簡化數據：IBM軟件自動生成新菜譜
    8.4.1  IBM推出可生成無限食譜的APP
    8.4.2  SVD簡化數據與綜合計算

    8.4.3  創新菜譜軟件小結
  8.5  大數據預測演算法盤點：百度預測世界盃成功率81.8％
    8.5.1  群英薈萃的綠茵場
    8.5.2  大數據預測演算法模型大盤點
    8.5.3  大數據預測演算法小結
  8.6  網絡理論分析：西班牙球隊的控球哲學
    8.6.1  獨樹一幟的西班牙球隊控球哲學
    8.6.2  以網絡理論分析為基礎的聚類分析
    8.6.3  網絡理論分析小結

Δ