商战数据挖掘：你需要了解的数据科学与分析思维电子书

版权声明

O'Reilly Media, Inc. 介绍

赞誉

译者序

前言

第 1 章 绪论：数据分析式思维

1.1 数据机遇无处不在

1.2 案例：飓风Frances

1.3 案例：预测用户流失

1.4 数据科学、数据工程和数据驱动型决策

1.5 数据处理和“大数据”

1.6 从大数据1.0到大数据2.0

1.7 数据与数据科学能力：一种战略性资产

1.8 数据分析式思维

1.9 关于本书

1.10 重新审视数据挖掘和数据科学

1.11 数据科学：一门新兴的实验性学科

1.12 小结

第 2 章 商业问题及其数据科学解决方案

2.1 从商业问题到数据挖掘任务

2.2 有监督方法与无监督方法

2.3 数据挖掘及其结果

2.4 数据挖掘流程

2.5 管理数据科学团队的含义

2.6 其他分析技巧与技术

2.7 小结

第 3 章 预测建模导论：从相关性到有监督的划分

3.1 建模、归纳与预测

3.2 有监督的划分

3.3 划分的可视化

3.4 把树视作规则组

3.5 概率估计

3.6 示例：用树型归纳解决用户流失问题

3.7 小结

第 4 章 用模型拟合数据

4.1 根据数学函数分类

4.2 通过数学函数进行回归

4.3 类概率估计和逻辑“回归”

4.4 示例：对比逻辑回归和树型归纳

4.5 非线性函数、支持向量机和神经网络

4.6 小结

第 5 章 避免过拟合

5.1 泛化能力

5.2 过拟合

5.3 过拟合检验

5.4 示例：线性函数的过拟合

5.5 *示例：过拟合为何有害

5.6 从保留评估到交叉验证

5.7 用户流失数据集回顾

5.8 学习曲线

5.9 避免过拟合与控制复杂度

5.10 小结

第 6 章 相似性、近邻和簇

6.1 相似性和距离

6.2 最近邻推理

6.3 与相似性和最近邻相关的一些重要技术细节

6.4 聚类

6.5 退一步：解决业务问题与数据探索

6.6 小结

第 7 章 决策分析思维（一）：如何评估一个模型

7.1 对分类器的评估

7.2 分类问题的推广

7.3 一个重要的分析框架：期望值

7.4 评估、基线性能以及对数据投资的意义

7.5 小结

第 8 章 模型性能的可视化

8.1 排序，而不是分类

8.2 利润曲线

8.3 ROC图像和曲线

8.4 ROC曲线下面积

8.5 累积响应曲线和提升曲线

8.6 示例：用户流失模型的性能分析

8.7 小结

第 9 章 证据和概率

9.1 示例：向线上目标用户投放广告

9.2 根据概率合并证据

9.3 将贝叶斯法则应用到数据科学中

9.4 证据“提升度”的模型

9.5 示例：Facebook“点赞”的证据提升度

9.6 小结

第 10 章 文本的表示和挖掘

10.1 为什么文本很重要

10.2 为什么文本很难处理

10.3 表示法

10.4 示例：爵士音乐家

10.5 *IDF和熵的关系

10.6 词袋模型之外的方法

10.7 示例：通过挖掘新闻报道预测股价变动

10.8 小结

第 11 章 决策分析思维（二）：面向分析工程

11.1 为慈善机构寻找最佳捐赠人

11.2 更复杂的用户流失示例回顾

11.3 小结

第 12 章 其他数据科学任务与技术

12.1 共现和关联：寻找匹配项

12.2 用户画像：寻找典型行为

12.3 链路预测和社交推荐

12.4 数据约简、潜在信息和电影推荐

12.5 偏差、方差和集成方法

12.6 数据驱动的因果解释和一个病毒式营销示例

12.7 小结

第 13 章 数据科学和经营战略

13.1 数据分析式思维，终极版

13.2 用数据科学取得竞争优势

13.3 用数据科学保持竞争优势

13.4 吸引和培养数据科学家及其团队

13.5 检验数据科学案例分析

13.6 做好准备，接受来源各异的创意

13.7 做好准备，评估数据科学项目提案

13.8 企业的数据科学成熟度

第 14 章 总结

14.1 数据科学的基本概念

14.2 数据做不到的：圈中人回顾

14.3 隐私、道德和挖掘个人数据

14.4 数据科学是否还有更多内容

14.5 最后一例：从众包到云包

14.6 最后的话

附录 A 提案评估指南

A.1 业务和数据理解

A.2 数据准备

A.3 建模

A.4 评估和部署

附录 B 另一个提案示例

情景和提案

术语表

参考文献

关于作者

看完了