|
|
作者簡介
梁棟
電機博士，碩士研究生導師，曾主持和參加多項自然科學基金項目，主要研究方向為大數據、資料探勘與智慧營運，所帶領的研究團隊在包括IEEE Internet of things Journal、IEEE International Conference on Data Mining等知名學術期刊和會議上發表學術論文二十多篇，並且長期與電信業進行科技產業化合作。
張兆靜
任職於知名電信業，大數據分析專家，曾在IEEE等著名會議上發表論文十篇，主持多項大數據與智慧營運案，曾獲公司頒發的最佳培訓實踐獎。
彭木根
電機博士，畢業後留校任教，博士生導師，擔任IET、IJCS、IJDSN、IJAP等國際SCI學術期刊論文的專刊編委、助理編委或特邀主編。曾擔任Wicon 2010、PlanNet等國際學術會議技術專題合作主席。長期擔任ICC、Globecom、WCNC、PIMRC等多個國際學術會議的技術委員。一直從事TDD無線網路資訊理論、協同網路編碼、無線網路自組織技術、TDD高效能無線傳輸與組網技術、TD-SCDMA及增強演進系統的傳輸，與增強組網技術的研發工作。
內容簡介
前言
第1章 大數據、資料探勘與智慧營運綜述
1.1 資料探勘的發展史
1.1.1 資料探勘的定義與起源
1.1.2 資料探勘的早期發展
1.1.3 資料探勘的演算法前傳
1.1.4 資料探勘的第一個里程碑
1.1.5 最近十年的發展與應用
1.2 資料探勘的主要流程與金字塔模型
1.2.1 資料探勘的任務
1.2.2 資料探勘的基本步驟
1.2.3 資料探勘的架構——雲端運算
1.2.4 「金字塔」模型
1.3 資料探勘對智慧營運的意義
1.3.1 「互聯網+」時代的來臨及其對營運商的衝擊和挑戰
1.3.2 大數據時代的來臨及其對營運商的挑戰和機遇
1.3.3 電信業者營運發展面臨的主要瓶頸
1.3.4 電信業者發展的「三條曲線」
1.3.5 智慧營運與大數據變現
1.3.6 資料探勘對於提升智慧營運效率的意義
1.4 大數據時代已經來臨
1.4.1 大數據的定義
1.4.2 大數據的「4V」特徵
1.4.3 結構化資料與非結構化資料
1.5 非結構化資料探勘的研究進展
1.5.1 文字探勘
1.5.2 模式識別
1.5.2.1 模式識別概述
1.5.2.2 模式識別方法
1.5.2.3 模式識別的應用
1.5.3 語音辨識
1.5.3.1 語音辨識技術的發展
1.5.3.2 語音辨識基礎
1.5.3.3 語音辨識基本原理
1.5.3.4 聲學建模方法
1.5.3.5 語音辨識的應用
1.5.4 影片識別
1.5.4.1 影片分析方法概述
1.5.4.2 基於深度學習的影片技術
1.5.4.3 結語
1.5.5 其他非結構化資料探勘
1.5.5.1 Web資料探勘
1.5.5.2 空間群資料探勘
1.6 資料探勘與機器學習、深度學習、人工智慧及雲端運算
1.6.1 機器學習
1.6.2 深度學習
1.6.3 人工智慧
1.6.4 雲端運算
1.7 現有資料探勘的主要分析軟體與系統
1.7.1 Hadoop
1.7.2 Storm
1.7.3 Spark
1.7.4 SPASS（SPSS）
1.7.5 SAS
參考文獻
第2章 數據統計與資料前處理
2.1 資料屬性類型
2.1.1 資料屬性定義
2.1.2 離散屬性
2.1.3 連續屬性
2.2 數據的統計特性
2.2.1 中心趨勢度量
2.2.2 數據散布度量
2.2.2.1 等分位數
2.2.2.2 均值
2.2.2.3 變異數與標準差
2.2.2.4 高階統計特性
2.2.3 數據相關性
2.2.3.1 卡方相關性
2.2.3.2 雙變數相關
2.2.3.3 偏相關
2.3 資料前處理
2.3.1 資料前處理概述
2.3.2 資料前處理的主要任務
2.3.3 資料淨化
2.3.3.1 缺失值
2.3.3.2 雜訊資料
2.3.4 資料整合
2.3.4.1 資料冗餘
2.3.4.2 重複元組
2.3.5 資料縮減
2.3.5.1 主成分分析
2.3.5.2 小波變換
2.3.5.3 屬性子集選擇
2.3.6 資料變換和離散化
2.3.6.1 資料正規化／標準化的主要方法
2.3.6.2 資料離散化的主要方法
2.4 資料欄位的衍生
2.4.1 資料欄位的拆分
2.4.2 統計特徵的構造
2.4.3 資料區的變換
2.5 SPSS軟體中的資料前處理案例
2.5.1 缺失值的實際處理
2.5.2 雜訊資料的實際處理
2.5.3 主成分分析的實際處理
參考文獻
第3章 集群分析
3.1 概述
3.2 聚類演算法的評估
3.3 基於劃分的聚類：K-means
3.3.1 基於劃分的聚類演算法概述
3.3.2 K-means聚類演算法原理
3.3.3 K-means演算法的優勢與劣勢
3.3.4 K-means演算法優化
3.3.5 SPSS軟體中的K-means演算法應用案例
3.4 基於層次化的聚類：BIRCH
3.4.1 基於層次化的聚類演算法概述
3.4.2 BIRCH演算法的基本原理
3.4.3 BIRCH演算法的優勢與劣勢
3.5 基於密度的聚類：DBSCAN
3.5.1 基於密度的聚類演算法概述
3.5.2 DBSCAN演算法的基本原理
3.5.3 DBSCAN演算法的優勢與劣勢
3.6 基於網格的聚類：CLIQUE
3.6.1 基於網格的聚類演算法概述
3.6.2 CLIQUE演算法的基本原理
3.6.3 CLIQUE演算法的優勢與劣勢
參考文獻
第4章 分類分析
4.1 分類分析概述
4.2 分類分析的評估
4.3 決策樹分析
4.3.1 決策樹演算法的基本原理
4.3.2 CHAID決策樹
4.3.2.1 CHAID演算法簡介
4.3.2.2 CHAID演算法原理
4.3.2.3 CHIAD演算法實例分析
4.3.3 ID3決策樹
4.3.3.1 ID3演算法原理
4.3.3.2 熵和資訊增益
4.3.3.3 ID3演算法偽程式碼
4.3.3.4 ID3演算法的特點
4.3.3.5 ID3演算法的案例分析
4.3.4 C4.5決策樹
4.3.4.1 C4.5演算法原理
4.3.4.2 C4.5演算法的偽程式碼
4.3.4.3 C4.5演算法的特點
4.3.4.4 C4.5演算法案例分析
4.3.5 CART決策樹
4.3.5.1 CART決策樹原理介紹
4.3.5.2 Gini係數
4.3.5.3 使用基尼係數進行決策樹分析案例
4.3.6 決策樹中的剪枝問題
4.3.7 決策樹在SPSS中的應用
4.4 最近鄰分析（KNN）
4.4.1 KNN演算法的基本原理
4.4.2 KNN演算法流程
4.4.3 KNN演算法的若干問題
4.4.4 KNN分類器的特徵
4.4.5 KNN演算法在SPSS中的應用
4.4.5.1 用KNN演算法預測用戶是否流失
4.4.5.2 用KNN演算法填充缺失值
4.5 貝氏分析
4.5.1 貝氏定理
4.5.2 單純貝氏分類
4.5.2.1 條件獨立性
4.5.2.2 單純貝氏分類的工作過程
4.5.2.3 單純貝氏分類的特徵
4.5.2.4 單純貝氏分類實例分析
4.5.3 貝氏網路
4.5.3.1 貝氏網路原理
4.5.3.2 模型表示
4.5.3.3 貝氏網路實例分析
4.5.3.4 BBN的特點
4.6 神經網路
4.6.1 感知器
4.6.2 多重人工神經網路
4.6.2.1 多重人工神經網路介紹
4.6.2.2 多層前饋神經網路
4.6.2.3 定義網路拓撲
4.6.3 人工神經網路的特點
4.7 支援向量機
4.7.1 支援向量機簡介
4.7.2 最大邊緣超平面
4.7.3 數據線性可分的情況
4.7.4 數據非線性可分的情況
4.7.5 支援向量機的特徵
參考文獻
第5章 迴歸分析
5.1 迴歸分析概述
5.2 一元線性迴歸
5.2.1 一元線性迴歸的基本原理
5.2.1.1 最小平方法
5.2.1.2 迴歸係數
5.2.2 一元線性迴歸效能評估
5.2.3 SPSS軟體中一元線性迴歸應用案例
5.2.3.1 一元線性迴歸分析的操作步驟
5.2.3.2 一元線性迴歸分析的結果解讀
5.3 多元線性迴歸
5.3.1 多元線性迴歸基本原理
5.3.2 自變數選擇方法
5.3.2.1 雙變數相關
5.3.3 SPSS軟體中的多元線性迴歸應用案例
5.3.3.1 多元線性迴歸預測用戶信用等級
5.3.3.2 多元線性迴歸預測用戶是否流失
5.4 非線性迴歸
5.4.1 非線性迴歸基本原理
5.4.2 冪函數迴歸分析
5.4.3 指數迴歸分析
5.4.4 對數迴歸分析
5.4.5 多項式迴歸分析
5.4.6 非線性模型線性化和曲線迴歸
5.5 邏輯迴歸
5.5.1 邏輯迴歸基本原理
5.5.1.1 Logistic函數
5.5.1.2 損失函數
5.5.1.3 梯度下降法
5.5.2 二元邏輯迴歸
5.5.3 多元邏輯迴歸
5.5.4 SPSS軟體中的邏輯迴歸應用案例
參考文獻
第6章 關聯分析
6.1 關聯分析概述
6.2 關聯分析的評估指標
6.2.1 支持度
6.2.2 信賴度
6.2.3 演算法複雜度
6.3 Apriori演算法
6.3.1 頻繁項集的定義與產生
6.3.2 先驗原理
6.3.3 基於支持度的計數與剪枝
6.3.4 候選項集生成
6.3.5 基於信賴度的剪枝
6.3.6 Apriori演算法規則生成
6.4 FP-tree演算法
6.4.1 頻繁模式樹
6.4.2 FP-tree演算法頻繁項集的產生
6.4.3 FP-tree演算法規則生成
6.4.4 演算法效能對比與評估
6.5 SPSS Modeler關聯分析實例
參考文獻
第7章 增強型資料探勘演算法
7.1 增強型資料探勘演算法概述
7.1.1 組合方法的優勢
7.1.2 構建組合分類器的方法
7.2 隨機森林
7.2.1 隨機森林的原理
7.2.2 隨機森林的優缺點
7.2.3 隨機森林的泛化誤差
7.2.4 輸入特徵的選擇方法
7.3 Bagging演算法
7.4 AdaBoost演算法
7.4.1 AdaBoost演算法簡介
7.4.2 AdaBoost演算法原理
7.4.3 AdaBoost演算法的優缺點
7.5 提高不平衡資料的分類準確率
7.5.1 不平衡資料
7.5.1.1 不平衡資料的介紹
7.5.1.2 不平衡資料分類問題的難點
7.5.2 不平衡資料的處理方法——資料層面
7.5.2.1 過抽樣
7.5.2.2 欠抽樣
7.5.3 不平衡資料的處理方法——演算法層面
7.6 遷移學習
7.6.1 遷移學習的基本原理
7.6.2 遷移學習的分類
7.6.3 遷移學習與資料探勘
7.6.4 遷移學習的發展
參考文獻
第8章 資料探勘在營運商智慧營運中的應用
8.1 概述
8.2 單個業務的精準行銷——合約機外呼行銷
8.2.1 總結歷史行銷規律
8.2.2 預測潛在客戶群體
8.2.3 客戶群體細分
8.2.4 制定層次化、個性化精準行銷方案
8.3 多種互聯網業務的精準推送
8.3.1 根據歷史行銷規律總結單個業務的歷史行銷規律
8.3.2 預測潛在客戶群體、預測單個業務的潛在客戶群體及多個業務的聯合建模
8.3.3 制定多業務層次化個性化聯合精準行銷方案
8.3.4 應用效果評估
8.4 套餐精準適配
8.4.1 痛點
8.4.2 資訊潛在客戶群體
8.4.3 探尋強相關欄位
8.4.4 多元線性迴歸建模
8.4.5 制定層次化、個性化精準行銷方案
8.4.6 應用效果評估與模型調優
8.5 客戶保有
8.5.1 總結客戶流失的歷史規律
8.5.2 細分潛在流失客戶群體
8.5.3 客戶保有效益建模與最優決策
8.5.4 應用效果評估
8.6 投訴預警
8.6.1 客戶投訴現象分析
8.6.2 資訊潛在客戶群體
8.6.3 制定個性化關懷方案
8.7 網路品質柵格化呈現
8.7.1 柵格化呈現的基本原理
8.7.2 覆蓋柵格化
8.7.3 基於流量聚叢集的網路優化策略
8.8 無線室內定位
8.8.1 傳統室內定位方法
8.8.2 基於Wi-Fi信號的指紋定位演算法
8.8.3 基於資料探勘演算法的改進定位方法
8.8.3.1 基於主成分分析和聚類的定位演算法
8.8.3.2 基於四叉樹的定位演算法
參考文獻
第9章 面向未來大數據的資料探勘與機器學習發展趨勢
9.1 大數據時代資料探勘與機器學習面臨的新挑戰
9.2 IEEE ICDM會議資料探勘與機器學習的最新研究進展
9.3 「電腦奧運」——Sort Benchmark
參考文獻
