大数据分析与实践——社会研究与数字治理电子书

出版说明

前言

课程教学进度表

第1章 大数据分析基础

【导读案例】葡萄酒的品质分析

1.1 大数据基础

1.1.1 定义大数据

1.1.2 大数据的3V特征

1.1.3 广义的大数据

1.2 大数据的结构类型

1.3 大数据对分析的影响

1.3.1 大数据的影响

1.3.2 大数据分析的定义

1.4 定性分析与定量分析

1.5 四种数据分析方法

1.5.1 描述性分析

1.5.2 诊断性分析

1.5.3 预测性分析

1.5.4 规范性分析

1.6 大数据分析的行业作用

1.6.1 大数据分析的决策支持价值

1.6.2 大数据分析的关键应用

1.6.3 大数据分析的能力分析

1.6.4 大数据分析面临的问题

【作业】

第2章 社会研究与方法

【导读案例】第四范式：大数据对于科研的意义

2.1 社会研究的概念

2.1.1 社会研究的特征

2.1.2 社会研究的理论问题

2.1.3 社会研究的基本方法

2.2 社会研究的主要过程

2.2.1 选题与文献回顾

2.2.2 研究设计

2.2.3 测量与操作化

2.2.4 抽样概念与方法

2.3 调查研究

2.3.1 调查研究概述

2.3.2 调查研究的特点

2.3.3 定量与定性调查

2.3.4 程序与报告

2.3.5 调查问卷设计

2.4 实验研究

2.4.1 实验研究概述

2.4.2 实验研究的分类

2.5 利用文献的定量研究

2.5.1 文献分析概述

2.5.2 文献搜集和积累

2.5.3 文献综述

2.6 实地调查

2.6.1 实地调查概述

2.6.2 实地调查的方法

【作业】

第3章 计算社会科学及其发展

【导读案例】大数据时代的社会治理之道

3.1 什么是计算社会科学

3.1.1 计算社会学

3.1.2 计算经济学

3.2 社会科学与大数据

3.2.1 大数据推动相关分析崛起

3.2.2 大数据推动学科融合

3.2.3 大数据重构定量与定性研究

3.2.4 大数据优化数据处理

3.3 社会研究的范式变革

3.3.1 大数据带来的变革因素

3.3.2 路径变革：“数据驱动”知识发现

3.3.3 手段变革：大数据服务于因果分析

3.3.4 功能变革：分析与预测统一于政策

3.4 计算社会学发展

3.4.1 计算社会学的发展历程

3.4.2 计算社会学发展的五大内容

3.4.3 计算社会学发展的思考

【作业】

第4章 基本原则与生命周期

【导读案例】得数据者得天下

4.1 大数据分析生命周期

4.1.1 商业案例评估

4.1.2 数据标识

4.1.3 数据获取与过滤

4.1.4 数据转换

4.1.5 数据验证与清洗

4.1.6 数据聚合与表示

4.1.7 数据分析

4.1.8 数据可视化

4.1.9 分析结果的使用

4.2 大数据的分析原则

4.2.1 原则1：实现商业价值和影响

4.2.2 原则2：专注于最后一公里

4.2.3 原则3：持续改善

4.2.4 原则4：加速学习能力和执行力

4.2.5 原则5：差异化分析

4.2.6 原则6：嵌入分析

4.2.7 原则7：建立分析架构

4.2.8 原则8：构建人力因素

4.2.9 原则9：利用消费化趋势

【作业】

第5章 构建分析路线与用例

【导读案例】大数据时代，看透“假数据”

5.1 什么是分析路线

5.1.1 商业竞争3.0时代

5.1.2 创建独特的分析路线

5.2 大数据分析路线

5.2.1 第1步：确定关键业务目标

5.2.2 第2步：定义价值链

5.2.3 第3步：头脑风暴分析解决方案机会

5.2.4 第4步：描述分析解决方案机会

5.2.5 第5步：创建决策模型

5.2.6 第6步：评估分析解决方案机会

5.2.7 第7步：建立分析路线图

5.2.8 第8步：不断演进分析路线图

5.3 关键用例分析

5.3.1 预测用例

5.3.2 解释用例

5.3.3 预报用例

5.3.4 发现用例

5.3.5 模拟用例

5.3.6 优化用例

【作业】

第6章 大数据分析的运用

【导读案例】数据驱动≠大数据

6.1 企业分析的分类

6.2 战略分析

6.2.1 专案分析

6.2.2 战略市场细分

6.2.3 经济预测

6.2.4 业务模拟

6.3 管理分析

6.4 运营分析

6.5 科学分析

6.6 面向客户的分析

6.6.1 预测服务

6.6.2 分析应用

6.6.3 消费分析

6.6.4 案例：大数据促进商业决策

【作业】

第7章 预测分析方法

【导读案例】准确预测地震

7.1 预测分析方法论

7.1.1 数据具有内在预测性

7.1.2 预测分析的流程

7.2 定义业务需求

7.2.1 理解业务问题

7.2.2 定义应对措施

7.2.3 了解误差成本

7.2.4 确定预测窗口

7.2.5 评估部署环境

7.3 建立分析数据集

7.3.1 配置数据

7.3.2 评估数据

7.3.3 调查异常值

7.3.4 数据转换

7.3.5 执行基本表操作

7.3.6 处理丢失数据

7.4 降维与特征工程

7.4.1 降维

7.4.2 特征工程

7.4.3 特征变换

7.5 建立预测模型

7.5.1 制订建模计划

7.5.2 细分数据集

7.5.3 执行模型训练计划

7.5.4 测量模型效果

7.5.5 验证模型

7.6 部署预测模型

7.6.1 审查和批准预测模型

7.6.2 执行模型评分

7.6.3 评价模型效果

7.6.4 管理模型资产

【作业】

第8章 预测分析技术

【导读案例】中小企业的“深层竞争力”

8.1 统计分析

8.2 监督和无监督学习

8.2.1 监督学习

8.2.2 无监督学习

8.2.3 监督和无监督学习的区别

8.3 机器学习

8.3.1 机器学习的思路

8.3.2 异常检测

8.3.3 过滤

8.3.4 贝叶斯网络

8.3.5 文本挖掘

8.4 神经网络与深度学习

8.4.1 人工神经网络

8.4.2 深度学习

8.5 语义分析

8.5.1 自然语言处理

8.5.2 文本分析

8.5.3 文本处理

8.5.4 语义检索

8.6 视觉分析

8.6.1 热点图

8.6.2 空间数据图

【作业】

第9章 大数据分析模型

【导读案例】行业人士必知的十大数据思维原理

9.1 什么是分析模型

9.2 回归分析模型

9.3 关联分析模型

9.3.1 关联规则分析

9.3.2 相关分析

9.4 分类分析模型

9.4.1 判别分析的原理和方法

9.4.2 基于机器学习的分类模型

9.4.3 支持向量机

9.4.4 逻辑回归

9.4.5 决策树

9.4.6 k近邻

9.4.7 随机森林

9.4.8 朴素贝叶斯

9.5 聚类分析模型

9.5.1 聚类问题分析

9.5.2 聚类分析的分类

9.5.3 聚类分析方法

9.5.4 聚类分析的应用

9.6 结构分析模型

9.6.1 典型的结构分析方法

9.6.2 社团发现

9.7 文本分析模型

【作业】

第10章 用户角色与分析工具

【导读案例】包罗一切的数字图书馆

10.1 用户角色

10.1.1 超级分析师

10.1.2 数据科学家

10.1.3 业务分析师

10.1.4 分析使用者

10.2 分析的成功因素

10.3 分析编程语言

10.3.1 R语言

10.3.2 SAS编程语言

10.3.3 SQL

10.4 业务用户工具

10.4.1 BI的常用技术

10.4.2 BI工具和方法的发展历程

10.4.3 新的分析工具与方法

【作业】

第11章 大数据分析平台

【导读案例】大数据分析的数据源

11.1 分布式分析

11.1.1 关于并行计算

11.1.2 并行计算的三种形式

11.1.3 数据并行与“正交”

11.1.4 分布式的软件环境

11.2 预测分析架构

11.2.1 独立分析

11.2.2 部分集成分析

11.2.3 基于数据库的分析

11.2.4 基于Hadoop分析

11.3 云计算中的分析

11.3.1 公有云和私有云

11.3.2 安全和数据移动

11.4 现代SQL平台

11.4.1 现代SQL平台

11.4.2 现代SQL平台区别于传统SQL平台

11.4.3 MPP数据库

11.4.4 SQL-on-Hadoop

11.4.5 NewSQL数据库

11.4.6 现代SQL平台的发展

【作业】

第12章 社交网络与推荐系统

【导读案例】推荐系统的工程实现（节选）

12.1 社交网络的定义

12.1.1 社交网络的特点

12.1.2 社交网络度量

12.1.3 社交网络学习

12.2 社交网络的结构

12.2.1 社交网络的统计学构成

12.2.2 社交网络的群体形成

12.2.3 图与网络分析

12.3 社交网络的关联分析

12.4 推荐系统

12.4.1 推荐系统的概念

12.4.2 推荐方法的组合

12.4.3 推荐系统的评价

12.5 协同过滤

【作业】

第13章 组织分析团队

【导读案例】数据工作者的数据之路：从洞察到行动

13.1 企业的分析文化

13.1.1 管理分析团队的有效因素

13.1.2 繁荣分析的文化共性

13.2 数据科学家（数据工作者）

13.2.1 数据科学家角色

13.2.2 分析人才的四种角色

13.2.3 数据准备分析专业人员

13.2.4 分析程序员

13.2.5 分析经理

13.2.6 分析通才

13.2.7 吸引数据科学家

13.3 集中式与分散式分析团队

13.4 组织分析团队

13.4.1 卓越中心

13.4.2 首席数据官与首席分析官

13.4.3 实验室团队

13.4.4 数据科学技能自我评估

13.5 走起，大数据分析

【作业】

第14章 基于大数据集市的课程实践

14.1 什么是大数据集市

14.1.1 数据集市的结构

14.1.2 数据集市的类型

14.1.3 区别于数据仓库

14.2 大数据分析实践项目选择

14.2.1 大数据帮零售企业制定促销策略

14.2.2 电信公司通过大数据分析挽回核心客户

14.2.3 大数据帮能源企业设置发电机地点

14.2.4 电商企业通过大数据制定销售战略

14.3 案例分析与课程实践要求

14.3.1 角色选择

14.3.2 项目选择

14.3.3 实践项目的背景说明

14.3.4 分知识点要点简述

14.3.5 撰写大数据分析报告

14.3.6 课程实践总结

14.3.7 课程实践的教师评价

附录 课程作业参考答案

参考文献