- 大数据分析(高等院校数据科学与大数据专业互联网+创新规划教材)
- - 作者：编者:王道平//宋雨情|责编:郑双
  - 出版社：北京大学
  - ISBN：9787301328507
  - 出版日期：2022/08/01
  - 页数：205
- 售价：15.6

内容大纲
本书以大数据分析的相关理论和方法为主线，首先介绍了大数据分析所需的预备知识和常用的降维方法，然后介绍了数据挖掘、时间序列分析、人工神经网络等大数据分析方法，最后介绍了大数据分析和大数据可视化的常用工具，并讲解了其相应的操作。
本书既可以作为高等院校和高职院校数据科学与大数据、大数据管理与应用、软件工程及相关专业的教材，也可以供系统分析师、系统架构师、软件开发工程师和项目经理以及其他学习大数据技术的读者阅读和参考。
作者介绍
王道平，男，1964年出生，博士。1982年考入清华大学计算机系，1999年至2001年在清华大学从事博士后研究工作，美国得克萨斯大学阿灵顿商学院高级访问学者，现为北京科技大学经济管理学院教授。博士生导师。主要研究方向为供应链与物流管理、智能管理信息系统等。承担国家自然科学基金课题2项，省部级课题多项，主编的教材《现代物流信息技术》和《供应链设计理论与方法》被评为北京市高等教育精品教材。
目录
第1章  大数据分析概论
  1.1  大数据分析的产生背景与基础
    1.1.1  大数据分析的产生背景
    1.1.2  大数据分析的基础
  1.2  大数据分析的概念与基本原理
    1.2.1  大数据分析的概念
    1.2.2  大数据分析的基本原理
  1.3  大数据分析的对象、过程和价值
    1.3.1  大数据分析的对象
    1.3.2  大数据分析的过程
    1.3.3  大数据分析的价值
  本章小结
  习题
第2章  大数据分析预备知识
  2.1  模型评估与选择
    2.1.1  经验误差与过拟合
    2.1.2  评估方法
    2.1.3  性能度量
  2.2  假设检验
    2.2.1  假设检验的基本概念
    2.2.2  正态总体参数的假设检验
  2.3  方差分析
    2.3.1  问题的提出
    2.3.2  单因子方差分析统计模型
    2.3.3  平方和分解
    2.3.4  检验方法
  本章小结
  习题
第3章  大数据分析常用降维方法
  3.1  线性判别分析
    3.1.1  线性判别分析概述
    3.1.2  线性判别分析的计算过程
    3.1.3  线性判别分析的优点和缺点
    3.1.4  线性判别分析的应用
  3.2  主成分分析
    3.2.1  主成分分析概述
    3.2.2  主成分分析的计算过程
    3.2.3  主成分分析的提取标准
    3.2.4  主成分分析的应用
  3.3  因子分析
    3.3.1  因子分析概述
    3.3.2  因子分析的模型
    3.3.3  因子分析的计算过程
    3.3.4  因子分析的应用
  本章小结
  习题
第4章  大数据分析常用方法
  4.1  关联分析
    4.1.1  关联分析的概念
    4.1.2  Apriori算法

    4.1.3  FP-Growth算法
    4.1.4  关联规则的评估
  4.2  分类分析
    4.2.1  分类分析的概念
    4.2.2  朴素贝叶斯分类
    4.2.3  决策树
    4.2.4  支持向量机
    4.2.5  分类模型的评估
  4.3  聚类分析
    4.3.1  聚类分析的概念
    4.3.2  k-means算法
    4.3.3  k-medoids算法
    4.3.4  DBSCAN算法
    4.3.5  聚类结果的评估
  本章小结
  习题
第5章  时间序列分析
  5.1  时间序列分析法概述
    5.1.1  时间序列的概念
    5.1.2  时间序列的分类
    5.1.3  时间序列分析法的分类
  5.2  确定性时间序列分析法
    5.2.1  移动平均法
    5.2.2  指数平滑法
    5.2.3  季节指数法
  5.3  随机性时间序列分析法
    5.3.1  平稳性时间序列分析
    5.3.2  非平稳性时间序列分析
    5.3.3  异方差时间序列分析
  本章小结
  习题
第6章  人工神经网络
  6.1  人工神经网络概述
    6.1.1  人工神经网络简介
    6.1.2  人工神经网络在大数据中的应用
  6.2  人工神经网络模型
    6.2.1  多层感知器
    6.2.2  径向基函数神经网络
    6.2.3  Kohonen网络
  6.3  学习规则
    6.3.1  Hebb学习规则
    6.3.2  Perceptron学习规则
    6.3.3  σ学习规则
    6.3.4  LMS学习规则
    6.3.5  Correlation学习规则
    6.3.6  Winner-Take-All学习规则
  6.4  神经网络训练算法
    6.4.1  梯度下降算法
    6.4.2  演化算法
    6.4.3  遗传算法

  本章小结
  习题
第7章  大数据分析工具
  7.1  数据透视表
    7.1.1  数据透视表的功能
    7.1.2  数据透视表的相关操作
    7.1.3  数据透视表分析
  7.2  Python数据分析库
    7.2.1  Python的安装和设置
    7.2.2  常用的Python数据分析库
    7.2.3  Python在大数据分析中的应用
  7.3  Tableau
    7.3.1  Tableau的系列产品
    7.3.2  Tableau的应用优势
    7.3.3  Tableau的数据连接
    7.3.4  Tableau在网站内容评估中的应用
  本章小结
  习题
第8章  大数据可视化
  8.1  大数据可视化概述
    8.1.1  大数据可视化的概念
    8.1.2  大数据可视化的作用
    8.1.3  大数据可视化的应用
  8.2  大数据可视化的基础和表现形式
    8.2.1  大数据可视化的原则和步骤
    8.2.2  统计图表可视化方法
    8.2.3  不同类型数据和图形的展示
  8.3  大数据可视化工具
    8.3.1  Tableau的可视化功能
    8.3.2  ECharts工具简介
  本章小结
  习题
参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目