久久久久国产精品嫩草,日韩另类在线一区二区三区,欧美日韩国产午夜福利

本書(shū)講述了在實(shí)際運(yùn)營(yíng)中核心的數(shù)據(jù)挖掘分析案例，為讀者重點(diǎn)展示了SAS在精準(zhǔn)營(yíng)銷(xiāo)、客戶(hù)流失預(yù)警、客戶(hù)分群、廣告點(diǎn)擊、信用卡欺詐、信用風(fēng)險(xiǎn)評(píng)分等領(lǐng)域中的具體應(yīng)用。
本書(shū)分為16章，以數(shù)據(jù)挖掘基礎(chǔ)知識(shí)介紹開(kāi)始，循序漸進(jìn)地講述了Kaggle數(shù)據(jù)科學(xué)社區(qū)調(diào)查數(shù)據(jù)分析、考察汽車(chē)耗油量與里程數(shù)的關(guān)系分析、影響汽車(chē)銷(xiāo)售的關(guān)鍵因子分析、健身運(yùn)動(dòng)中耗氧量回歸分析、旅客量預(yù)測(cè)分析、客戶(hù)群分類(lèi)判別分析、銷(xiāo)售公司的客戶(hù)分群、員工離職預(yù)測(cè)、廣告點(diǎn)擊率預(yù)測(cè)、產(chǎn)品精準(zhǔn)營(yíng)銷(xiāo)模型、電信客戶(hù)流失預(yù)警、銀行貸款用戶(hù)風(fēng)險(xiǎn)分析、信用風(fēng)險(xiǎn)評(píng)分卡的開(kāi)發(fā)以及信用卡反欺詐預(yù)測(cè)模型等案例。后一章介紹了與數(shù)據(jù)挖掘項(xiàng)目中的時(shí)間成本有較大關(guān)系的SAS數(shù)據(jù)清洗的相關(guān)技術(shù)。
本書(shū)案例豐富，實(shí)用性較強(qiáng)，特別適合從事數(shù)據(jù)挖掘、統(tǒng)計(jì)建模、機(jī)器學(xué)習(xí)、商業(yè)分析、運(yùn)營(yíng)分析等工作的人員使用，也可作為數(shù)學(xué)、統(tǒng)計(jì)學(xué)、金融管理、計(jì)算機(jī)等專(zhuān)業(yè)的學(xué)生學(xué)習(xí)SAS數(shù)據(jù)挖掘應(yīng)用的參考書(shū)籍。

這個(gè)技術(shù)有什么前途
隨著大數(shù)據(jù)、人工智能的發(fā)展，無(wú)論是阿里巴巴、騰訊、百度還是母嬰店、超市，不同的企業(yè)都在嘗試?yán)么髷?shù)據(jù)、人工智能技術(shù)提升企業(yè)的運(yùn)營(yíng)決策效率、降低管理費(fèi)用，同時(shí)擴(kuò)大業(yè)務(wù)范圍。作為人工智能主要內(nèi)容的數(shù)據(jù)挖掘技術(shù)，一直緊跟時(shí)代潮流，在企業(yè)的運(yùn)營(yíng)決策中發(fā)揮著越來(lái)越大的作用。
作為非常常用的商業(yè)數(shù)據(jù)挖掘軟件SAS，也緊跟大數(shù)據(jù)、人工智能的發(fā)展，不斷創(chuàng)新。從1960年至今，經(jīng)過(guò)幾十年的完善和發(fā)展，SAS系統(tǒng)在業(yè)內(nèi)被公認(rèn)為統(tǒng)計(jì)分析的標(biāo)準(zhǔn)軟件，在零售、制造、銀行、保險(xiǎn)、通信、互聯(lián)網(wǎng)、教育、醫(yī)學(xué)、新聞媒體等領(lǐng)域得到廣泛應(yīng)用。基于當(dāng)前大數(shù)據(jù)、人工智能的發(fā)展，以及SAS在數(shù)據(jù)挖掘領(lǐng)域的地位及廣泛應(yīng)用，如果你是數(shù)據(jù)分析行業(yè)里的新人，筆者建議要首先學(xué)會(huì)使用SAS，它很好操作，并且市場(chǎng)占有率非常高。對(duì)于數(shù)據(jù)挖掘領(lǐng)域里的專(zhuān)業(yè)人士，如果至少需要掌握兩種工具，首先建議掌握SAS軟件。
筆者的使用體會(huì)
 SAS功能強(qiáng)大，統(tǒng)計(jì)方法齊、全、新。SAS提供了從基本的描述性統(tǒng)計(jì)分析到各種試驗(yàn)設(shè)計(jì)的方差分析、相關(guān)回歸分析、因子分析、聚類(lèi)分析、時(shí)間序列分析等多種統(tǒng)計(jì)分析，幾乎囊括了所有很前沿的分析方法，其分析技術(shù)先進(jìn)、可靠，分析方法的實(shí)現(xiàn)通過(guò)過(guò)程調(diào)用完成，許多過(guò)程同時(shí)提供了多種算法和選項(xiàng)。
 使用簡(jiǎn)便，操作靈活。SAS以一個(gè)通用的數(shù)據(jù)（DATA）產(chǎn)生數(shù)據(jù)集，可以通過(guò)不同的過(guò)程調(diào)用完成各種數(shù)據(jù)分析挖掘過(guò)程。SAS編程語(yǔ)句簡(jiǎn)潔、短小，通常只需很少的幾個(gè)語(yǔ)句即可完成一些復(fù)雜的運(yùn)算，得到滿意的結(jié)果。
 SAS有可在 DATA 和 PROC 使用的大量函數(shù)和自定義函數(shù)，功能非常強(qiáng)大，也可以作為被DATA和PROC使用的宏語(yǔ)言。
 SAS 的軟件及算法都是經(jīng)過(guò)檢驗(yàn)的，專(zhuān)業(yè)的醫(yī)學(xué)生物數(shù)據(jù)統(tǒng)計(jì)一般只使用SAS軟件。
 SAS非常容易上手，如果你會(huì)SQL，則可以立即上手使用SAS。SAS提供了豐富的統(tǒng)計(jì)功能，其友好的GUI界面可以讓分析師快速上手，并且得到很好的技術(shù)支持。
 在商業(yè)分析領(lǐng)域，SAS是無(wú)可爭(zhēng)辯的行業(yè)領(lǐng)導(dǎo)者，就全球而言，SAS仍然是公司和機(jī)構(gòu)中使用最多的數(shù)據(jù)分析工具之一，尤其是大型金融公司。
本書(shū)的特色
 案例豐富：本書(shū)不空講SAS語(yǔ)法和模型算法，以大量企業(yè)實(shí)際案例、清晰簡(jiǎn)明的解釋以及盡可能少的專(zhuān)用術(shù)語(yǔ)來(lái)介紹SAS的實(shí)際應(yīng)用。
 內(nèi)容全面：覆蓋企業(yè)中的熱點(diǎn)應(yīng)用案例，比如精準(zhǔn)營(yíng)銷(xiāo)、流失預(yù)警、客戶(hù)分群、信用評(píng)分、廣告點(diǎn)擊率預(yù)測(cè)等。如果讀者是公司的數(shù)據(jù)分析師，則可以直接參考案例進(jìn)行相關(guān)模型研發(fā)。
 較新的軟件版本：以SAS 94軟件版本，向讀者介紹如何使用SAS進(jìn)行數(shù)據(jù)挖掘項(xiàng)目的開(kāi)發(fā)工作。
 配備數(shù)據(jù)和源代碼：提供所有案例的數(shù)據(jù)文件和SAS源代碼，供讀者操作練習(xí)、快速學(xué)習(xí)。
 學(xué)習(xí)路線圖清晰：每個(gè)案例均按照數(shù)據(jù)挖掘項(xiàng)目的一般工作流程逐步展開(kāi)。

第1章數(shù)據(jù)挖掘知識(shí)介紹
11數(shù)據(jù)挖掘算法簡(jiǎn)介
111分類(lèi)
112聚類(lèi)
113關(guān)聯(lián)
114預(yù)測(cè)
12分類(lèi)模型的相關(guān)概念
121數(shù)據(jù)說(shuō)明
122混淆矩陣
123ROC曲線和AUC面積
124提升（Lift）
125KS曲線
13數(shù)據(jù)挖掘過(guò)程中關(guān)鍵問(wèn)題處理
131數(shù)據(jù)準(zhǔn)備
132定義變量及數(shù)據(jù)抽樣
133變量選擇
134缺失值處理
135模型比較
14SAS STAT介紹

第2章Kaggle數(shù)據(jù)科學(xué)社區(qū)調(diào)查分析
21描述性統(tǒng)計(jì)分析的主要內(nèi)容
211數(shù)據(jù)的頻數(shù)分析
212數(shù)據(jù)的集中趨勢(shì)分析
213數(shù)據(jù)的離散程度分析
214數(shù)據(jù)的分布
215繪制統(tǒng)計(jì)圖
22SAS描述性分析過(guò)程介紹
221PROC FREQ過(guò)程
222PROC MEANS過(guò)程
223PROC UNIVARIATE過(guò)程
23調(diào)查數(shù)據(jù)說(shuō)明
24數(shù)據(jù)探索
25Kaggle社區(qū)用戶(hù)畫(huà)像分析
251人員屬性
252工作屬性
253技能屬性
254學(xué)習(xí)屬性

第3章考察汽車(chē)耗油量與里程數(shù)的關(guān)系
31項(xiàng)目背景
32非線性回歸簡(jiǎn)介
33非線性回歸過(guò)程說(shuō)明
34廣義線性模型過(guò)程
35數(shù)據(jù)文件說(shuō)明
36數(shù)據(jù)探索
37模型建立
38結(jié)果分析

第4章影響汽車(chē)銷(xiāo)售的關(guān)鍵因子分析
41數(shù)據(jù)說(shuō)明
42因子分析的基本原理
421因子分析模型
422因子旋轉(zhuǎn)
423計(jì)算因子得分
43因子分析的步驟和SAS過(guò)程
431因子分析的步驟
432FACTOR過(guò)程說(shuō)明
44模型開(kāi)發(fā)及結(jié)果解釋
45主成分分析和因子分析的區(qū)別

第5章健身運(yùn)動(dòng)中耗氧量回歸分析
51線性回歸模型
52REG過(guò)程
521過(guò)程選項(xiàng)
522MODEL語(yǔ)句選項(xiàng)
523關(guān)鍵字選項(xiàng)
524PLOT語(yǔ)句選項(xiàng)
53數(shù)據(jù)說(shuō)明
54相關(guān)性分析
55回歸分析
56逐步回歸
561逐步回歸過(guò)程
562利用逐步回歸選擇變量

第6章旅客量預(yù)測(cè)分析
61項(xiàng)目背景
62數(shù)據(jù)文件說(shuō)明
63平穩(wěn)隨機(jī)過(guò)程概述
631自回歸模型
632滑動(dòng)平均模型
633自回歸滑動(dòng)平均模型
64ARMA模型的識(shí)別
641基于相關(guān)函數(shù)的定階方法
642利用信息準(zhǔn)則法定階
65模型參數(shù)的估計(jì)
66時(shí)間序列的分析步驟
67SAS系統(tǒng)的ARIMA過(guò)程
671ARIMA語(yǔ)句選項(xiàng)
672IDENTIFY語(yǔ)句選項(xiàng)
673ESTIMATE語(yǔ)句選項(xiàng)
674FORECAST語(yǔ)句選項(xiàng)
675ARIMA建模過(guò)程
68數(shù)據(jù)探索
681平穩(wěn)性檢驗(yàn)
682序列變換
69自相關(guān)函數(shù)檢驗(yàn)
610模型參數(shù)估計(jì)
611預(yù)測(cè)

第7章客戶(hù)群分類(lèi)判別分析
71業(yè)務(wù)背景及數(shù)據(jù)說(shuō)明
72判別分析的數(shù)學(xué)原理
73判別分析的SAS過(guò)程
731DISCRIM過(guò)程
732CANDISC過(guò)程
733STEPDISC過(guò)程
74數(shù)據(jù)探索
75客戶(hù)群判別模型建立
76模型應(yīng)用

第8章銷(xiāo)售公司的客戶(hù)分群分析
81項(xiàng)目背景
811客戶(hù)細(xì)分的概念
812客戶(hù)細(xì)分模型
813客戶(hù)細(xì)分模型的基本流程
814細(xì)分方法介紹
82聚類(lèi)分析的數(shù)學(xué)原理
821聚類(lèi)的數(shù)學(xué)原理
822距離和相似距離
823聚類(lèi)方法
824聚類(lèi)數(shù)的確定
825聚類(lèi)分析步驟
83SAS中的聚類(lèi)過(guò)程
831Cluster系統(tǒng)聚類(lèi)過(guò)程
832Fastclus快速聚類(lèi)過(guò)程
833Varclus方差聚類(lèi)過(guò)程
834Tree聚類(lèi)樹(shù)型輸出過(guò)程
84數(shù)據(jù)文件說(shuō)明
85數(shù)據(jù)探索
851變量衍生
852變量標(biāo)準(zhǔn)化
853變量相關(guān)性分析
86模型建立
87客戶(hù)畫(huà)像分析
88模型應(yīng)用

第9章員工離職預(yù)測(cè)
91項(xiàng)目背景
92數(shù)據(jù)說(shuō)明
93數(shù)據(jù)探索
94數(shù)據(jù)建模
941變量相關(guān)分析
942決策樹(shù)建模
95模型評(píng)估與應(yīng)用

第10章廣告點(diǎn)擊率預(yù)測(cè)
101業(yè)務(wù)背景
1011網(wǎng)絡(luò)廣告發(fā)展情況
1012計(jì)算廣告學(xué)
102數(shù)據(jù)說(shuō)明
103數(shù)據(jù)不平衡的處理方式
1031收集更多的數(shù)據(jù)
1032改變模型性能評(píng)價(jià)指標(biāo)
1033重新對(duì)樣本進(jìn)行采樣
104模型開(kāi)發(fā)與評(píng)估
1041樣本欠抽樣
1042模型開(kāi)發(fā)
1043模型評(píng)估
105CTR模型的發(fā)展脈絡(luò)

第11章產(chǎn)品精準(zhǔn)營(yíng)銷(xiāo)推薦
111項(xiàng)目背景
1111業(yè)務(wù)背景
1112數(shù)據(jù)說(shuō)明
1113項(xiàng)目目標(biāo)
112數(shù)據(jù)探索
1121變量描述性統(tǒng)計(jì)分析
1122變量缺失值處理
1123變量衍生處理
113模型建設(shè)
1131欠抽樣
1132數(shù)據(jù)集分割
1133模型開(kāi)發(fā)
1134模型評(píng)估
114模型應(yīng)用
1141產(chǎn)品自動(dòng)化推薦系統(tǒng)
1142易受到市場(chǎng)環(huán)境等各種因素的影響
1143人群特征漂移需要不斷優(yōu)化模型

第12章通信客戶(hù)流失預(yù)警模型
121項(xiàng)目背景
1211客戶(hù)流失分析要解決的問(wèn)題
1212分析客戶(hù)流失的類(lèi)型
1213如何進(jìn)行客戶(hù)流失分析
122數(shù)據(jù)說(shuō)明
123因變量定義
124樣本抽取
125數(shù)據(jù)探索
126模型開(kāi)發(fā)
1261變量衍生
1262變量選擇
1263相關(guān)性處理
1264模型結(jié)果
127模型評(píng)估
1271開(kāi)發(fā)樣本上的模型性能
1272驗(yàn)證樣本上的模型性能
128模型應(yīng)用

第13章銀行貸款用戶(hù)風(fēng)險(xiǎn)分析
131案例背景
132因變量定義
133樣本抽取
134數(shù)據(jù)探索
1341為什么要進(jìn)行數(shù)據(jù)探索
1342數(shù)據(jù)分布情況
135模型建設(shè)
1351變量衍生
1352變量選擇
1353共線性處理
1354模型結(jié)果
136模型性能評(píng)估
1361開(kāi)發(fā)樣本上的模型性能
1362驗(yàn)證樣本上的模型性能
137模型應(yīng)用

第14章信用風(fēng)險(xiǎn)評(píng)分卡開(kāi)發(fā)
141信用評(píng)分模型簡(jiǎn)介
142信用卡模型的開(kāi)發(fā)過(guò)程
143案例背景及項(xiàng)目目標(biāo)確定
1431項(xiàng)目背景說(shuō)明
1432確定項(xiàng)目目標(biāo)
144數(shù)據(jù)獲取
145數(shù)據(jù)質(zhì)量檢驗(yàn)
146項(xiàng)目參數(shù)設(shè)定
1461排除規(guī)則確定
1462表現(xiàn)和觀察窗口
1463確定“壞”的定義
1464滾動(dòng)率分析
1465客戶(hù)分群
147數(shù)據(jù)探索
1471數(shù)據(jù)分布分析
1472缺失值的處理
1473極端值的處理
148模型開(kāi)發(fā)
1481證據(jù)權(quán)重（WOE）
1482信息值（IV）
1483變量選擇
1484變量分組
1485變量相關(guān)性分析
1486模型迭代開(kāi)發(fā)
149模型評(píng)估
1491混淆矩陣
1492KS統(tǒng)計(jì)量
1493ROC曲線
1410評(píng)分卡創(chuàng)建
14101評(píng)分尺度變換
14102變量分值分配
1411評(píng)分卡實(shí)施
1412監(jiān)測(cè)與報(bào)告
1413拒絕推斷
1414運(yùn)用評(píng)分卡需要注意的事項(xiàng)

第15章信用卡反欺詐預(yù)測(cè)模型
151信用卡欺詐概述
1511信用卡欺詐的種類(lèi)
1512智能反欺詐管理
1513其他反欺詐技術(shù)
152案例背景
153數(shù)據(jù)探索
154模型開(kāi)發(fā)
1541不使用分層抽樣策略
1542使用分層抽樣策略
155總結(jié)

第16章SAS數(shù)據(jù)清洗技術(shù)
161數(shù)據(jù)清洗簡(jiǎn)介
1611數(shù)據(jù)清洗
1612數(shù)據(jù)探索
162數(shù)據(jù)導(dǎo)入
1621讀入數(shù)據(jù)到SAS系統(tǒng)的方法
1622指定數(shù)據(jù)文件的位置
1623讀入由空格分隔的原始數(shù)據(jù)
1624讀入列對(duì)齊的原始數(shù)據(jù)
1625讀入非標(biāo)準(zhǔn)格式的數(shù)據(jù)
1626讀入一個(gè)觀測(cè)占據(jù)多行的數(shù)據(jù)文件
1627讀入原數(shù)據(jù)文件的一部分
1628IMPORT過(guò)程讀入分隔數(shù)據(jù)文件
163數(shù)據(jù)格式處理
164SAS函數(shù)
1641字符函數(shù)
1642數(shù)值函數(shù)
165缺失值處理
166數(shù)據(jù)抽樣
1661等比例分層抽樣
1662不等比例分層抽樣
1663分層抽樣

你還可能感興趣

我要評(píng)論