大数据分析方法与应用电子书

前言

第1章 大数据概述

1.1 大数据的相关概念

1.1.1 大数据的背景与来源

1.1.2 大数据的概念与特征

1.1.3 大数据的数据类型

1.1.4 《“十四五”大数据产业发展规划》与“5V”

1.2 对科学研究和经济社会的影响

1.2.1 对科学研究的影响

1.2.2 对经济社会的影响

1.2.3 大数据技术发展趋势

1.3 大数据的研究现状

1.4 大数据发展的机遇与挑战

1.4.1 机遇

1.4.2 挑战

1.5 大数据分析的相关概念

1.5.1 大数据分析的概念

1.5.2 大数据分析与传统数据分析的比较

1.5.3 大数据分析的流程

1.5.4 大数据分析的基础模型

1.6 大数据的应用

习题

参考文献

第2章 数据分析基础

2.1 数据的类型与分布

2.1.1 总体和样本

2.1.2 定性数据和定量数据

2.1.3 截面数据和时间序列数据

2.2 变量之间的关系

2.2.1 协方差

2.2.2 相关系数

2.3 数据的可视化——基于Excel的应用

2.3.1 散点图

2.3.2 柱形图和折线图

2.3.3 数据透视表

2.4 数据的输入

2.4.1 数据的输入方法

2.4.2 数据有效性

2.4.3 条件函数IF

2.4.4 函数VLOOKUP

习题

第3章 回归分析

3.1 线性和非线性回归

3.1.1 线性回归及其Excel中的实现

3.1.2 最小二乘回归

3.1.3 非线性回归及其Excel中的实现

3.2 多元回归

3.2.1 多元回归的概念

3.2.2 多重共线性

3.2.3 多元回归及其SPSS中的实现

3.2.4 居民存款影响因素多元回归案例分析

3.3 岭回归

3.3.1 岭回归的概念

3.3.2 岭回归及其在SPSS中的实现

3.3.3 居民存款影响因素岭回归案例分析

3.4 LASSO回归

3.4.1 LASSO回归的概念

3.4.2 LASSO回归及其SPSS中的实现

3.4.3 居民存款影响因素LASSO回归案例分析

习题

参考文献

第4章 聚类算法

4.1 聚类的原理

4.2 K-Means聚类

4.2.1 K-Means聚类算法的原理

4.2.2 K-Means聚类算法在MATLAB中的实现

4.3 K最近邻算法

4.3.1 K最近邻算法的原理

4.3.2 K最近邻算法在MATLAB中的实现

4.3.3 鸢尾花分类案例分析

4.4 模糊C-均值算法

4.4.1 模糊C-均值算法的原理

4.4.2 模糊C-均值算法在MATLAB中的实现

4.4.3 用户需求聚类案例分析

习题

参考文献

第5章 推荐算法

5.1 协同过滤推荐算法

5.1.1 基于用户的协同过滤算法

5.1.2 基于商品的协同过滤算法

5.1.3 案例分析1：二手汽车交易平台推荐

5.1.4 案例分析2：著名电影推荐

5.2 协同过滤算法常见的问题以及对策

5.2.1 冷启动问题及对策

5.2.2 稀疏性问题及对策

5.3 基于内容的推荐算法

5.3.1 基于结构化内容的推荐

5.3.2 基于非结构化内容的推荐

5.4 基于模型的推荐算法

5.5 基于关联规则的推荐算法

5.6 信息隐私与基于隐私保护的方案推荐方法

5.6.1 信息隐私

5.6.2 基于隐私保护的方案推荐方法

5.7 信息污染与信任推荐算法

5.7.1 信息污染

5.7.2 信任推荐算法

5.8 信息茧房

习题

参考文献

第6章 文本挖掘

6.1 文本挖掘的应用价值

6.2 文本挖掘的流程

6.2.1 文本挖掘的关键技术

6.2.2 文档收集方法

6.2.3 分词技术

6.2.4 词的表示形式

6.2.5 文本特征属性处理

6.3 LDA主题模型

6.3.1 LDA主题模型介绍

6.3.2 吉布斯采样

6.3.3 LDA主题模型训练过程

6.4 基于LDA主题模型的客户需求挖掘案例分析

习题

参考文献

第7章 启发式算法

7.1 启发式算法的基本原理

7.1.1 启发式函数

7.1.2 搜索策略

7.2 启发式算法的类型

7.2.1 仿动物类启发式算法

7.2.2 仿植物类启发式算法

7.3 遗传算法及其实现

7.3.1 遗传算法的原理

7.3.2 遗传算法的步骤

7.3.3 遗传算法的计算机实现

7.4 粒子群算法及其实现

7.4.1 粒子群算法的原理

7.4.2 粒子群算法的步骤

7.4.3 粒子群算法的计算机实现

7.5 物流配送中心选址案例分析

习题

参考文献

第8章 支持向量机

8.1 支持向量机的原理

8.1.1 支持向量机的由来

8.1.2 支持向量机的发展

8.2 支持向量机算法

8.2.1 支持向量机的模型算法

8.2.2 支持向量机模型优化算法

8.2.3 核函数

8.2.4 支持向量机算法的计算机实现

8.3 支持向量机算法参数优化

8.3.1 模糊支持向量机

8.3.2 最小二乘支持向量机

8.3.3 粒子群算法优化支持向量机

8.4 算法应用及案例分析

习题

参考文献

第9章 神经网络

9.1 发展历程

9.2 基础模型

9.2.1 神经元

9.2.2 网络结构

9.3 典型神经网络

9.3.1 反向传播神经网络

9.3.2 卷积神经网络

9.3.3 长短期记忆网络

9.4 人工智能的中立性

9.5 信息不公

9.6 应用案例

9.6.1 卷积用于情感分析

9.6.2 LSTM用于预测：滑坡位移预测

9.7 数字技术伦理规范

习题

参考文献