具体描述
《应用统计学系列教材·大数据分析:方法与应用》可用做统计学、管理学、计算机科学等专业进行数据挖掘、机器学习、人工智能等相关课程的本科高年级、研究生教材或教学参考书。
作者简介
1990-1994年 北京师范大学数学系学习，1994年6月毕业获理科学士学位；
1994-1997年 北京师范大学数学系学习，1997年6月毕业获理科硕士学位；
1999-2003年 中国人民大学统计学系学习，2003年6月毕业获经济学博士学位
目录信息
1.1大数据概述
1.1.1什么是大数据
1.1.2数据、信息与认知
1.1.3数据管理与数据库
1.1.4数据仓库
1.1.5数据挖掘的内涵和基本特征
1.2数据挖掘的产生与功能
1.2.1数据挖掘的历史
1.2.2数据挖掘的功能
1.3数据挖掘与相关领域之间的关系
1.3.1数据挖掘与机器学习
1.3.2数据挖掘与数据仓库
1.3.3数据挖掘与统计学
1.3.4数据挖掘与智能决策
1.3.5数据挖掘与云计算
1.4大数据研究方法
1.5讨论题目
1.6推荐阅读
第2章数据挖掘流程
2.1数据挖掘流程概述
2.1.1问题识别
2.1.2数据理解
2.1.3数据准备
2.1.4建立模型
2.1.5模型评价
2.1.6部署应用
2.2离群点发现
2.2.1基于统计的离群点检测
2.2.2基于距离的离群点检测
2.2.3局部离群点算法
2.3不平衡数据级联算法
2.4讨论题目
2.5推荐阅读
第3章有指导的学习
3.1有指导的学习概述
3.2K—近邻
3.3决策树
3.3.1决策树的基本概念
3.3.2分类回归树
3.3.3决策树的剪枝
3.4提升方法
3.5随机森林树
3.5.1随机森林树算法的定义
3.5.2如何确定随机森林树算法中树的节点分裂变量
3.5.3随机森林树的回归算法
3.6人工神经网络
3.6.1人工神经网络基本概念
3.6.2感知器算法
3.6.3LMS算法
3.6.4反向传播算法
3.6.5神经网络相关问题讨论
3.7支持向量机
3.7.1最大边距分类
3.7.2支持向量机问题的求解
3.7.3支持向量机的核方法
3.8多元自适应回归样条
3.9讨论题目
3.10推荐阅读
第4章无指导的学习
4.1关联规则
4.1.1静态关联规则算法Apriori算法
4.1.2动态关联规则算法Carma算法
4.1.3序列规则挖掘算法
4.2聚类分析
4.2.1聚类分析的含义及作用
4.2.2距离的定义
4.2.3系统层次聚类法
4.2.4K—均值算法
4.2.5BIRCH算法
4.2.6基于密度的聚类算法
4.3基于预测强度的聚类方法
4.3.1预测强度
4.3.2预测强度方法的应用
4.3.3案例分析
4.4聚类问题的变量选择
4.4.1高斯成对罚模型聚类
4.4.2各类异方差成对罚模型聚类
4.4.3几种聚类变量选择的比较
4.5讨论题目
4.6推荐阅读
第5章贝叶斯分类和因果学习
5.1贝叶斯分类
5.2决策论与统计决策论
5.2.1决策与风险
5.2.2统计决策
5.3线性判别函数和二次判别函数
5.4朴素贝叶斯分类
5.5贝叶斯网络
5.5.1基本概念
5.5.2贝叶斯网络的应用
5.5.3贝叶斯网络的构建
5.6案例：贝叶斯网络模型在信用卡违约概率建模中的应用
5.7讨论题目
5.8推荐阅读
第6章高维回归及变量选择
6.1线性回归模型
6.2模型选择
6.2.1模型选择概述
6.2.2偏差，方差分解
6.2.3模型选择准则
6.2.4回归变量选择
6.3广义线性模型
6.3.1二点分布回归
6.3.2指数族概率分布
6.3.3广义线性模型
6.3.4模型估计
6.3.5模型检验与诊断
6.4高维回归系数压缩
6.4.1岭回归
6.4.1LASSO
6.4.3Shooting算法
6.4.4路径算法
6.4.5其他惩罚项及0racle性质
6.4.6软件实现
6.5总结
6.6讨论题目
6.7推荐阅读
第7章图模型
7.1图模型基本概念和性质
7.1.1图矩阵
7.1.2概率图模型概念和性质
7.2协方差选择
7.2.1用回归估计图模型
7.2.2基于最大似然框架的方法
7.3指数族图模型
7.3.1基本定义
7.3.2参数估计及假设检验
7.4谱聚类
7.4.1聚类和图划分
7.4.2谱聚类
7.5总结
7.6讨论题目
7.7推荐阅读
第8章客户关系管理
8.1协同推荐模型
8.1.1基于邻域的算法
8.1.2矩阵分解模型
8.2客户价值随机模型
8.2.1客户价值的定义
8.2.2客户价值分析模型
8.2.3客户购买状态转移矩阵
8.2.4利润矩阵
8.2.5客户价值的计算
8.3案例：银行卡消费客户价值模型
8.4推荐阅读
第9章社会网络分析
9.1社会网络概述
9.1.1社会网络概念与发展
9.1.2社会网络的基本特征
9.1.3社群挖掘算法
9.1.4模型的评价
9.2案例：社会网络在学术机构合作关系上的研究
9.3讨论题目
9.4推荐阅读
附录A本章R程序
第10章自然语言模型和文本挖掘
10.1向量空间模型
10.1.1向量空间模型基本概念
10.1.2特征选择准则
10.2统计语言模型
10.2.1n—gram模型
10.2.2主题n—元模型
10.3LDA模型
10.4案例：LDA模型的热点新闻发现
10.5推荐阅读
· · · · · · (收起)
读后感
用户评价
这本书的封面设计得非常朴实，没有那种浮夸的炫技感，倒是给人一种沉稳可靠的感觉。我最初拿起它，是抱着学习具体操作流程的期待，希望能够一窥那些数据科学巨头们常用的工具箱究竟长什么样。然而，读完前几章后，我发现它更像是一本哲学层面的探讨，它并没有急着把我拉进 Python 的代码海洋，也没有直接展示复杂的机器学习模型图。相反，作者似乎花了大篇幅来讨论“什么是大数据思维”，以及在处理海量信息流时，我们人类认知上的局限性。我记得其中有一段分析了“噪声”与“信号”的辩证关系，用了一个非常生活化的例子——城市交通拥堵数据——来阐述如何从看似杂乱无章的记录中提炼出可执行的洞察。这种宏观的铺陈，虽然在短期内无法满足我快速上手的需求，但长期来看，它为我打下了一个非常坚实的概念地基，让我开始思考，在应用任何技术之前，我们首先要问对问题。它迫使我慢下来，审视自己对数据驱动决策的理解深度，这比单纯学会一个新算法重要得多。
从装帧和排版来看，这本书的制作水平非常精良，纸张的质感很好，长时间阅读下来眼睛不易疲劳。但我个人认为，在配图和图表的清晰度上还有提升空间。尤其是在讲解涉及多维数据可视化的章节，虽然作者的文字描述已经相当到位，但插入的图例（似乎是低分辨率的截屏）在A4纸的幅面上显得有些模糊不清，一些细微的颜色区分和趋势线辨识起来确实有些吃力。这有点像一道色香味俱全的菜肴，但盛菜的盘子略显粗糙，多少影响了整体的感官体验。如果能将这些关键的可视化案例用高分辨率的矢量图重新制作，并配上详细的图注，说明每个维度代表的业务意义，那对于初学者来说无疑是巨大的福音。尽管存在这个小小的瑕疵，但这本书的价值依然是毋庸置疑的。它提供了一个横跨理论、伦理、方法和沟通的综合性视角，让我感觉自己不再是拿着一堆零散工具的工匠，而是有了一套完整的、系统化的“分析方法论”指导。
这本书最让我惊喜的，是它对“工具箱”之外的叙事能力。很多市面上的书籍都在鼓吹某个特定工具的万能性，似乎只要掌握了它，就能解决一切难题。但这本书则采取了一种“工具中立”的立场，它用极大的篇幅讨论了数据分析师（或科学家）在项目启动阶段容易犯的认知偏差。比如，过度依赖历史数据进行未来预测的“惯性思维”，以及在定义“成功”标准时，不自觉地将指标与自身KPI绑定的“自我中心倾向”。作者甚至加入了一些关于如何有效进行数据故事讲述（Data Storytelling）的章节，这部分内容简直是为我量身定做。我一直苦于如何将复杂的分析结果，用非技术语言清晰地传达给高层管理者。书中提出的“三幕剧”结构——背景铺陈、冲突展示（数据发现的价值点）、解决方案收尾——提供了一个极具操作性的框架。它让我明白，数据分析的终点不是报告的完成，而是决策的改变，而沟通是达成这一改变的桥梁。
这本书的行文节奏把握得相当巧妙，起承转合之间透露着作者深厚的行业经验。它不是那种教科书式的、冷冰冰的知识堆砌，更像是一位资深顾问在耳边娓娓道来，分享他的踩坑经验和独到见解。特别是在讲解数据治理那一块的内容，简直是醍醐灌顶。我之前总觉得数据质量问题是技术部门的事，与业务逻辑关联不大。但这本书里详细剖析了“数据孤岛”如何扼杀创新项目，并提供了一套自上而下的组织文化变革方案，这远超出了我对一本技术书籍的预期。书中对于数据伦理和隐私保护的论述，也显得尤为前瞻和审慎。它没有回避当前业界热议的敏感话题，而是以一种极为冷静和客观的笔触，梳理了不同司法管辖区下的合规性要求，并且引用了多个真实案例作为反面教材。读到那些因数据滥用而付出了惨重代价的公司案例时，我忍不住捏紧了手中的笔，深刻体会到责任二字的重量。这种将技术、商业和法律交叉融合的视角，实在令人耳目一新。
我必须承认，这本书的某些章节对于非专业背景的读者来说，门槛略高，尤其是关于分布式计算架构的描述部分。作者似乎默认读者已经对Hadoop或Spark的基础架构有所了解，因此在解释特定模块的优化策略时，用词非常专业且跳跃性强。我不得不频繁地查阅外部资料来理解那些缩写和术语，这在一定程度上打断了阅读的流畅性。不过，话说回来，如果这本书真的事无巨细地去解释每一个底层原理，那篇幅恐怕要翻好几倍，也就不适合现在这种“精炼”的定位了。有趣的是，当它回归到应用案例时，那种清晰度又瞬间回来了。有一章专门分析了零售业的客户生命周期价值（CLV）模型构建，它没有直接给出复杂的数学公式，而是用了一种流程图和决策树结合的方式来展示，如何根据用户的历史行为数据，动态调整营销策略的权重。这种将复杂模型“可视化”的处理手法，大大降低了理解难度，让原本抽象的算法逻辑变得触手可及，也让我对如何将这些理论转化为可操作的商业指标有了更直观的认识。
编的就是个渣渣，还有脸写是编著，就是编的好不好！
程序例子很多，可以参考，书写的一般。
适合做教材，自学有难度。
编的就是个渣渣，还有脸写是编著，就是编的好不好！
编的就是个渣渣，还有脸写是编著，就是编的好不好！
