中图网

>

数据库

>

数据仓库与数据挖掘

大数据.数据挖掘与智慧运营

作者：梁栋,张兆静,彭木根编著

出版社：清华大学出版社出版时间：2017-11-01

开本： 32开 页数： 403

本类榜单：计算机/网络销量榜

中图价:¥71.3(7.2折) 定价 ~~¥99.0~~ 登录后可看到会员价

加入购物车收藏

运费6元，满39元免运费

?新疆、西藏除外

本类五星书更多>

>
决战行测5000题(言语理解与表达)

决战行测5000题(言语理解与表达)

¥38.8¥88
>
软件性能测试.分析与调优实践之路

软件性能测试.分析与调优实践之路

¥49.3¥69
>
第一行代码Android

第一行代码Android

¥58.4¥99
>
深度学习

深度学习

¥92.4¥168
>
Unreal Engine 4蓝图完全学习教程

Unreal Engine 4蓝图完全学习教程

¥72.2¥168
>
深入理解计算机系统-原书第3版

深入理解计算机系统-原书第3版

¥104.3¥139
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)

Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)

¥21¥49.9

买过本商品的人还买了

大数据技术及其背景下的数据挖掘研究
吴春琼著
¥20.5~~¥64.0~~
高级财务管理
谢香兵张肖飞
¥30.4~~¥39.0~~
财务管理
夏金平，秦常娥主编
¥14.4~~¥38.0~~
大数据挖掘
赵志升
¥32.5~~¥59.0~~
审计学
王砚书
¥32.4~~¥45.0~~

商品详情
商品评论(0条)

中图价:¥71.3 加入购物车

版权信息
本书特色
内容简介
目录
作者简介

大数据.数据挖掘与智慧运营版权信息

ISBN：9787302483373
条形码：9787302483373 ; 978-7-302-48337-3
装帧：一般胶版纸
册数：暂无
重量：暂无
所属分类：
计算机/网络
>
数据库
>
数据仓库与数据挖掘

大数据.数据挖掘与智慧运营本书特色

本书系统地介绍了大数据挖掘的基本概念、经典挖掘算法、挖掘工具和企业智慧运营应用案例。全书分为9章，内容包括：大数据挖掘与智慧运营的概念，数据预处理，数据挖掘中的四种主流算法：聚类分析、分类分析、回归分析、关联分析，增强型数据挖掘算法，数据挖掘在运营商智慧运营中的应用案例，未来大数据挖掘的发展趋势等。全书以运用大数据挖掘方法提升企业运营业绩与效率为主线，从运营商实际工作中选取了大量运营和销售案例，详细讲述了数据采集、挖掘建模、模型落地与精准营销的全部过程。书中大部分案例的代码、软件操作流程和微课视频可以通过扫描本书封底的二维码下载。本书主要面向运营商及其他高科技企业员工、高等院校相关专业本科生和研究生，以及其他对数据挖掘与精准营销感兴趣的读者。

大数据.数据挖掘与智慧运营内容简介

随着移动互联网和物联网时代的来临，人和万事万物被广泛地联系在一起。人们在联系的过程产生了大量的数据，例如用户基础信息、网页浏览记录、历史消费记录、视频监控影像，等等。据此，以Google 为首的互联网公司提出了“大数据”（Big Data）的概念，并声称人类已经脱离了信息时代（Information Time，IT），进入了大数据时代（Data Time，DT）。显然，海量数据包含了非常丰富的浅层次信息和深层次知识。对于同一竞争领域的企业，谁能获取*量的数据，展开*精准的数据挖掘与建模分析，并加以精细化的落地实施，谁便能在行业竞争中取得优势。
对于运营商企业而言，其具备的一个显著优势便是手握海量数据资源。如果能运用先进的数据挖掘技术找出客户的行为规律，从传统的经验式、粗放式、“一刀切”式的运营决策向数据化、精细化、个性化的运营决策转型，运营商将迎来新的腾飞。上述运营模式转型的目标，便是所谓的“智慧运营”。

大数据.数据挖掘与智慧运营目录

第1章大数据、数据挖掘与智慧运营综述 1 1.1 数据挖掘的发展史 2 1.1.1 数据挖掘的定义与起源 2 1.1.2 数据挖掘的早期发展 3 1.1.3 数据挖掘的算法前传 4 1.1.4 数据挖掘的**个里程碑 8 1.1.5 *近十年的发展与应用 11 1.2 数据挖掘的主要流程与金字塔模型 13 1.2.1 数据挖掘的任务 14 1.2.2 数据挖掘的基本步骤 16 1.2.3 数据挖掘的架构——云计算 17 1.2.4 “金字塔”模型 20 1.3 数据挖掘对智慧运营的意义 22 1.3.1 “互联网 ”时代的来临及其对运营商的冲击和挑战 22 1.3.2 大数据时代的来临及其对运营商的挑战和机遇 24 1.3.3 电信运营商运营发展面临的主要瓶颈 26 1.3.4 电信运营商发展的“三条曲线” 27 1.3.5 智慧运营与大数据变现 29 1.3.6 数据挖掘对于提升智慧运营效率的意义 30 1.4 大数据时代已经来临 31 1.4.1 大数据的定义 31 1.4.2 大数据的“4V”特征32 1.4.3 结构化数据与非结构化数据33 1.5 非结构化数据挖掘的研究进展 34 1.5.1 文本挖掘34 1.5.2 模式识别36 1.5.3 语音识别40 1.5.4 视频识别44 1.5.5 其他非结构化数据挖掘48 1.6 数据挖掘与机器学习、深度学习、人工智能及云计算 50 1.6.1 机器学习51 1.6.2 深度学习53 1.6.3 人工智能55 1.6.4 云计算56 1.7 现有数据挖掘的主要分析软件与系统 61 1.7.1 Hadoop61 1.7.2 Storm 63 1.7.3 Spark 65 1.7.4 SPASS（SPSS） 66 1.7.5 SAS 68 参考文献 70 第2章数据统计与数据预处理73 2.1 数据属性类型 74 2.1.1 数据属性定义74 2.1.2 离散属性74 2.1.3 连续属性75 2.2 数据的统计特性 77 2.2.1 中心趋势度量77 2.2.2 数据散布度量78 2.2.3 数据相关性82 2.3 数据预处理 87 2.3.1 数据预处理概述87 3.6 基于网格的聚类：CLIQUE 140 3.6.1 基于网格的聚类算法概述140 3.6.2 CLIQUE算法的基本原理141 3.6.3 CLIQUE算法的优势与劣势142 参考文献 143 第4章分类分析 145 4.1 分类分析概述 146 4.2 分类分析的评估 148 4.3 决策树分析 152 4.3.1 决策树算法的基本原理152 4.3.2 CHAID决策树160 4.3.3 ID3决策树 167 4.3.4 C4.5决策树171 4.3.5 CART 决策树175 4.3.6 决策树中的剪枝问题179 4.3.7 决策树在SPSS中的应用180 4.4 *近邻分析（KNN） 185 4.4.1 KNN算法的基本原理185 4.4.2 KNN算法流程186 4.4.3 KNN算法的若干问题187 4.4.4 KNN分类器的特征188 4.4.5 KNN算法在SPSS中的应用 188 4.5 贝叶斯分析 191 4.5.1 贝叶斯定理191 4.5.2 朴素贝叶斯分类192 4.5.3 贝叶斯网络195 4.6 神经网络 199 4.6.1 感知器200 4.6.2 多重人工神经网络201 4.6.3 人工神经网络的特点203 4.7 支持向量机 204 第6章关联分析 245 6.1 关联分析概述 246 6.2 关联分析的评估指标 247 6.2.1 支持度247 6.2.2 置信度248 6.2.3 算法复杂度248 6.3 Apriori 算法 249 6.3.1 频繁项集的定义与产生249 6.3.2 先验原理251 6.3.3 基于支持度的计数与剪枝252 6.3.4 候选项集生成253 6.3.5 基于置信度的剪枝259 6.3.6 Apriori算法规则生成 259 6.4 FP-tree 算法 261 6.4.1 频繁模式树261 6.4.2 FP-tree算法频繁项集的产生263 6.4.3 FP-tree算法规则生成263 6.4.4 算法性能对比与评估264 6.5 SPSS Modeler 关联分析实例 265 参考文献 269 第7章增强型数据挖掘算法 271 7.1 增强型数据挖掘算法概述 272 7.1.1 组合方法的优势272 7.1.2 构建组合分类器的方法272 7.2 随机森林 273 7.2.1 随机森林的原理273 7.2.2 随机森林的优缺点276 7.2.3 随机森林的泛化误差276 7.2.4 输入特征的选择方法277 7.3 Bagging 算法 277 8.4.4 多元线性回归建模350 8.4.5 制定层次化、个性化精准营销方案351 8.4.6 落地效果评估与模型调优352 8.5 客户保有 353 8.5.1 总结客户流失的历史规律354 8.5.2 细分潜在流失客户群体357 8.5.3 客户保有效益建模与*优决策359 8.5.4 落地效果评估361 8.6 投诉预警 363 8.6.1 客户投诉现象分析363 8.6.2 挖掘潜在客户群体366 8.6.3 制定个性化关怀方案368 8.7 网络质量栅格化呈现 368 8.7.1 栅格化呈现的基本原理369 8.7.2 覆盖栅格化370 8.7.3 基于流量聚簇的网络优化策略372 8.8 无线室内定位 376 8.8.1 传统室内定位方法376 8.8.2 基于Wi-Fi 信号的指纹定位算法 378 8.8.3 基于数据挖掘算法的改进定位方法379 参考文献 383 第9章面向未来大数据的数据挖掘与机器学习发展趋势 385 9.1 大数据时代数据挖掘与机器学习面临的新挑战 386 9.2 IEEE ICDM 会议数据挖掘与机器学习的*新研究进展 395 9.3 “计算机奥运会”——Sort Benchmark 400 参考文献 402

展开全部

大数据.数据挖掘与智慧运营作者简介

梁栋，博士毕业于北京邮电大学信号与系统专业，现任教于北京邮电大学，硕士研究生导师，曾主持和参加多项国家自然科学基金项目、国家863课题项目、国家973科技项目和多项省部级科研项目，主要研究方向为大数据、数据挖掘与智慧运营，所带领的研究团队在包括IEEE Internet of things Journal、IEEE International Conference on Data Mining等著名学术期刊和会议上发表高水平学术论文20多篇，并且长期与中国移动等运营商企业进行科技产业化合作，在大数据、数据挖掘技术运用于企业智慧化运营方面有着丰富的落地经验。

商品评论(0条)

写书评赚书币

暂无评论……

书友推荐