大數(shù)據(jù)分析師權(quán)威教程：機器學習、大數(shù)據(jù)分析和可視化

模塊1 機器學習的概念
第1講 理解機器學習技術(shù) 3
1．1 什么是機器學習 4
1．1．1 數(shù)據(jù)挖掘與機器學習之間的差異 5
1．1．2 SpamAssassin特性 6
1．2 機器學習的應用 8
1．2．1 圖像識別 8
1．2．2 語音識別 10
1．2．3 醫(yī)療診斷 10
1．2．4 統(tǒng)計套利 11
1．2．5 關聯(lián)學習 11
1．2．6 分類 11
1．2．7 預測 12
1．2．8 提取 13
1．2．9 回歸 13
1．2．10 概率 13
1．3 機器學習的類型 14
1．3．1 有監(jiān)督學習 14
1．3．2 無監(jiān)督學習 15
1．3．3 強化學習 15
1．4 機器學習方法 16
1．4．1 決策樹學習 16
1．4．2 關聯(lián)規(guī)則學習 16
1．4．3 人工神經(jīng)網(wǎng)絡 17
1．4．4 歸納邏輯編程 17
1．4．5 支持向量機 17
1．4．6 聚類 18
1．4．7 貝葉斯網(wǎng)絡 18
1．4．8 強化學習 18
1．4．9 表示學習 18
1．4．10 相似性和度量學習 18
1．4．11 稀疏字典學習 19
1．5 機器學習算法列表 19
練習 22
備忘單 24
第2講 R上的圖模型和貝葉斯網(wǎng)絡 25
2．1 圖模型簡介 26
2．1．1 圖模型的類型 30
2．1．2 圖中的條件獨立性 32
2．1．3 圖中的條件獨立性與分割 33
2．1．4 圖的分解或者因子化 35
2．1．5 圖模型的應用 36
2．2 案例研究——圖模型在大眾公司的應用 37
2．2．1 背景 37
2．2．2 問題 37
2．2．3 解決方案 38
2．3 貝葉斯統(tǒng)計簡介 38
2．3．1 貝葉斯定理 39
2．3．2 貝葉斯網(wǎng)絡 39
2．4 貝葉斯網(wǎng)絡特性 43
2．5 貝葉斯網(wǎng)絡中的概率推理 49
2．5．1 推斷未觀測變量 49
2．5．2 參數(shù)學習 49
2．5．3 結(jié)構(gòu)學習 49
2．6 貝葉斯方法 51
2．6．1 變量消除 51
2．6．2 動態(tài)編程 52
2．6．3 逼近算法 52
2．7 貝葉斯網(wǎng)絡的應用 54
練習 57
備忘單 59
第3講 人工神經(jīng)網(wǎng)絡 60
3．1 神經(jīng)網(wǎng)絡簡介 62
3．2 神經(jīng)網(wǎng)絡的應用 65
3．3 神經(jīng)網(wǎng)絡的結(jié)構(gòu) 66
3．4 人工神經(jīng)網(wǎng)絡模型 68
3．4．1 多層感知器 68
3．4．2 徑向基函數(shù)網(wǎng)絡 69
3．4．3 Kohonen網(wǎng)絡 70
3．5 學習規(guī)則 72
3．5．1 Hebbian學習規(guī)則 73
3．5．2 感知器學習規(guī)則 73
3．5．3 Delta學習規(guī)則（Windrow-Hoff學習規(guī)則） 74
3．5．4 相關學習規(guī)則 74
3．5．5 外向星學習規(guī)則 74
3．6 神經(jīng)網(wǎng)絡訓練算法 75
3．6．1 梯度下降 76
3．6．2 演化算法 77
3．6．3 遺傳算法 78
3．7 在R中實現(xiàn)神經(jīng)網(wǎng)絡 80
練習 84
備忘單 87
第4講 在R中使用PCA和因子分析降維 88
4．1 降維簡介 90
4．2 降維的應用 91
4．2．1 文檔分類 91
4．2．2 基因表達微陣列分析 92
4．2．3 面部識別 93
4．3 因子分析 94
4．4 因子分析的應用 96
4．4．1 心理測驗學中的因子分析 96
4．4．2 營銷中的因子分析 97
4．5 因子分析方法 98
4．5．1 EFA和CFA的相似之處 98
4．5．2 EFA和CFA之間的差異 98
4．6 作為數(shù)據(jù)歸約方法的因子分析 99
4．6．1 確定因子數(shù)量的標準 101
4．6．2 公因子方差 102
4．6．3 因子載荷 103
4．6．4 因子結(jié)構(gòu)的旋轉(zhuǎn) 104
4．6．5 旋轉(zhuǎn)策略 104
4．6．6 因子結(jié)構(gòu)的解讀 105
4．6．7 層次化因子分析 106
4．6．8 因子得分 107
4．7 主成分分析 107
4．7．1 主成分分析的顯著性 108
4．7．2 主成分的提取 108
4．7．3 主成分的特性 108
4．7．4 主成分分析的特性 109
4．8 主成分分析中的數(shù)據(jù)歸約和解讀 109
4．8．1 投影于一個軸上的慣性 110
4．8．2 距離 110
4．8．3 逆方差 110
4．8．4 協(xié)方差 111
4．8．5 變量的范數(shù) 112
4．8．6 因子軸 112
4．8．7 因子平面 112
4．8．8 主成分分析的目標 113
4．8．9 相關矩陣的特征值 113
4．8．10 變量的表示 113
4．8．11 個體的表示 114
4．8．12 主成分分析過程 114
4．8．13 選擇主成分數(shù)量 116
4．8．14 主成分分析的變種 118
4．9 在R上實現(xiàn)主成分分析 120
4．9．1 示例1：歐洲人的蛋白質(zhì)消耗 120
4．9．2 示例2：美國月度失業(yè)率 122
練習 123
備忘單 125
第5講 支持向量機 127
5．1 支持向量機簡介 128
5．2 支持向量機的應用領域 129
5．3 SVM算法 131
5．3．1 可分情況 132
5．3．2 不可分情況 133
5．4 線性支持向量機 135
5．4．1 原型 135
5．4．2 對偶形式 136
5．4．3 有偏和無偏超平面 137
5．5 核函數(shù) 137
5．5．1 核規(guī)則 137
5．5．2 支持向量機核示例 139
5．6 在R中訓練和測試SVM模型 139
5．7 用SVM模型預測的實例 143
5．7．1 數(shù)據(jù)集 143
5．7．2 準備數(shù)據(jù)集 144
5．7．3 選擇參數(shù) 144
5．7．4 訓練模型 145
5．7．5 測試模型 146
練習 147
備忘單 149
模塊2 社交媒體、移動分析和可視化
第1講 大數(shù)據(jù)解決方案工程 153
1．1 大數(shù)據(jù)展望過程 154
1．1．1 步驟1：研究和面談以理解業(yè)務活動 155
1．1．2 步驟2：獲取和分析數(shù)據(jù) 157
1．1．3 步驟3：對新思路展開頭腦風暴 158
1．1．4 步驟4：排定大數(shù)據(jù)集用例的優(yōu)先級 159
1．1．5 步驟5：文檔 160
1．2 大數(shù)據(jù)用例的優(yōu)先級排定 160
1．2．1 優(yōu)先順序矩陣過程 161
1．2．2 優(yōu)先順序矩陣的陷阱 162
1．3 解決方案工程過程 164
1．3．1 第1步：理解組織是如何賺錢的 164
1．3．2 第2步：識別組織的關鍵業(yè)務活動 167
1．3．3 第3步：進行頭腦風暴，確定大數(shù)據(jù)在業(yè)務上的作用 167
1．3．4 第4步：將業(yè)務活動分解為用例 168
1．3．5 第5步：證明用例 168
1．3．6 第6步：設計和實施大數(shù)據(jù)解決方案 169
1．4 解決方案工程示例 170
1．4．1 客戶行為分析 171
1．4．2 減少欺詐行為 172
1．5 大數(shù)據(jù)解決方案的挑戰(zhàn) 172
練習 174
備忘單 176
第2講 社交媒體分析和文本分析 177
2．1 什么是社交媒體 178
2．2 社交分析、指標和計量 181
2．2．1 社交媒體分析工具 181
2．2．2 社交媒體分析與業(yè)務決策 182
2．2．3 社交媒體分析與其他分析類型的對比 184
2．3 社交媒體分析的關鍵要素 184
2．3．1 目標受眾 184
2．3．2 預期行動 185
2．3．3 內(nèi)容 185
2．3．4 內(nèi)容機制 185
2．3．5 社交媒體分析中使用的技術(shù) 186
2．3．6 在線社交媒體分析工具 187
2．3．7 社交媒體分析所用的桌面應用程序 187
2．4 文本挖掘簡介 188
2．4．1 文本挖掘工作方式 189
2．4．2 文本挖掘的應用 190
2．5 文本分析過程 190
2．6 情緒分析 192
2．6．1 情緒分析使用的方法 193
2．6．2 在線情緒分析 193
2．7 在R上實施Twitter情緒分析 194
練習 203
備忘單 205
第3講 執(zhí)行移動分析 207
3．1 移動分析簡介 208
3．1．1 什么是移動分析 209
3．1．2 移動分析和Web分析 209
3．1．3 移動分析和商業(yè)價值 210
3．1．4 移動分析結(jié)果類型 210
3．1．5 移動分析應用類型 211
3．1．6 使用移動分析的領域 212
3．2 移動分析工具 212
3．2．1 基于位置的跟蹤工具 213
3．2．2 實時分析工具 213
3．2．3 用戶行為跟蹤工具 214
3．3 執(zhí)行移動分析 216
3．3．1 通過移動應用收集數(shù)據(jù) 216
3．3．2 將數(shù)據(jù)收集到服務器 217
3．4 應用分析報告 218
3．5 移動分析的挑戰(zhàn) 219
3．5．1 網(wǎng)絡問題 219
3．5．2 安全性問題和政府協(xié)議 220
練習 221
備忘單 223
第4講 大數(shù)據(jù)可視化 225
4．1 什么是可視化 226
4．1．1 為什么對數(shù)據(jù)進行可視化 226
4．1．2 可視化技術(shù) 227
4．1．3 可視化類型 227
4．1．4 可視化的應用 228
4．2 大數(shù)據(jù)可視化的重要性 229
4．2．1 傳統(tǒng)信息可視化的不足 229
4．2．2 大數(shù)據(jù)可視化的商業(yè)價值 229
4．2．3 用可視化將數(shù)據(jù)變成信息 230
4．2．4 使用不同工具的可視化示例 231
4．2．5 大數(shù)據(jù)可視化中的障礙 233
4．3 大數(shù)據(jù)可視化工具 233
4．3．1 大數(shù)據(jù)可視化專屬服務 234
4．3．2 開源可視化程序庫 234
4．3．3 用于大數(shù)據(jù)可視化的技術(shù) 235
4．4 Tableau產(chǎn)品 235
4．4．1 用Tableau Desktop創(chuàng)建可視化 236
4．4．2 Tableau Desktop工作區(qū)簡介 239
4．4．3 多個工作表頁面 240
4．4．4 Tableau工作區(qū) 240
4．5 使用數(shù)據(jù)源 246
4．5．1 用Tableau聯(lián)合數(shù)據(jù)庫表 246
4．5．2 連接到SQL 247
4．6 數(shù)據(jù)運算（排序、聚合、聯(lián)接） 248
4．6．1 地圖和地理單元 249
4．6．2 創(chuàng)建交互式可視化 251
練習 254
備忘單 256
第5講 招聘準備 258
5．1 大數(shù)據(jù)分析師所需要的關鍵技能 260
5．2 大數(shù)據(jù)分析崗位職責 262
5．2．1 初級分析師 262
5．2．2 中級分析師 263
5．2．3 高級分析師 263
5．3 大數(shù)據(jù)工作機會領域 264
模塊3 大數(shù)據(jù)分析的行業(yè)應用
第1講 大數(shù)據(jù)業(yè)務問題和解決方案—保險欺詐分析 273
1．1 背景 274
1．1．1 保險合同 275
1．1．2 保單類型 275
1．2 保險欺詐及其影響 276
1．3 場景 277
1．4 數(shù)據(jù)的解釋 277
1．5 方法論 278
1．6 具體做法 279
1．7 結(jié)論 280
第2講 大數(shù)據(jù)業(yè)務問題和解決方案—信用風險 281
2．1 背景 282
2．2 場景 283
2．3 數(shù)據(jù)的解釋 284
2．4 方法論和具體做法 285
2．5 結(jié)論 287
第3講 大數(shù)據(jù)業(yè)務問題和解決方案—典型行業(yè) 288
3．1 背景 289
3．1．1 客戶流失 289
3．1．2 缺乏最優(yōu)營銷策略 289
3．1．3 呼叫數(shù)據(jù)記錄（CDR）分析的需求 290
3．2 為增加利潤而進行數(shù)據(jù)分析 290
3．2．1 避免客戶流失 290
3．2．2 采用最優(yōu)的營銷策略 290
3．2．3 分析呼叫詳細記錄 291
3．3 場景 291
3．4 數(shù)據(jù)的解釋 291
3．5 方法論 294
3．6 具體做法 295
3．6．1 高管視圖 295
3．6．2 中層管理視圖 296
3．6．3 代理人視圖 296
3．7 結(jié)論 298
第4講 大數(shù)據(jù)業(yè)務問題和解決方案—在線客戶細分 299
4．1 背景 300
4．2 為客戶細分進行數(shù)據(jù)分析 301
4．3 場景 302
4．4 數(shù)據(jù)的解釋 302
4．5 方法論 302
4．6 具體做法 303
4．7 結(jié)論 305
第5講 大數(shù)據(jù)業(yè)務問題和解決方案—在電子商務中使用可視化工具 306
5．1 背景 307
5．2 場景 310
5．3 數(shù)據(jù)的解釋 310
5．4 方法論 311
5．5 具體做法 311
5．6 結(jié)論 317