污视频免费观看,久久久国产日韩欧美激情

本書講述了在實際運營中核心的數(shù)據(jù)挖掘分析案例，為讀者重點展示了SAS在精準營銷、客戶流失預警、客戶分群、廣告點擊、信用卡欺詐、信用風險評分等領域中的具體應用。
本書分為16章，以數(shù)據(jù)挖掘基礎知識介紹開始，循序漸進地講述了Kaggle數(shù)據(jù)科學社區(qū)調查數(shù)據(jù)分析、考察汽車耗油量與里程數(shù)的關系分析、影響汽車銷售的關鍵因子分析、健身運動中耗氧量回歸分析、旅客量預測分析、客戶群分類判別分析、銷售公司的客戶分群、員工離職預測、廣告點擊率預測、產(chǎn)品精準營銷模型、電信客戶流失預警、銀行貸款用戶風險分析、信用風險評分卡的開發(fā)以及信用卡反欺詐預測模型等案例。后一章介紹了與數(shù)據(jù)挖掘項目中的時間成本有較大關系的SAS數(shù)據(jù)清洗的相關技術。
本書案例豐富，實用性較強，特別適合從事數(shù)據(jù)挖掘、統(tǒng)計建模、機器學習、商業(yè)分析、運營分析等工作的人員使用，也可作為數(shù)學、統(tǒng)計學、金融管理、計算機等專業(yè)的學生學習SAS數(shù)據(jù)挖掘應用的參考書籍。

這個技術有什么前途
隨著大數(shù)據(jù)、人工智能的發(fā)展，無論是阿里巴巴、騰訊、百度還是母嬰店、超市，不同的企業(yè)都在嘗試利用大數(shù)據(jù)、人工智能技術提升企業(yè)的運營決策效率、降低管理費用，同時擴大業(yè)務范圍。作為人工智能主要內容的數(shù)據(jù)挖掘技術，一直緊跟時代潮流，在企業(yè)的運營決策中發(fā)揮著越來越大的作用。
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)過幾十年的完善和發(fā)展，SAS系統(tǒng)在業(yè)內被公認為統(tǒng)計分析的標準軟件，在零售、制造、銀行、保險、通信、互聯(lián)網(wǎng)、教育、醫(yī)學、新聞媒體等領域得到廣泛應用�；诋斍按髷�(shù)據(jù)、人工智能的發(fā)展，以及SAS在數(shù)據(jù)挖掘領域的地位及廣泛應用，如果你是數(shù)據(jù)分析行業(yè)里的新人，筆者建議要首先學會使用SAS，它很好操作，并且市場占有率非常高。對于數(shù)據(jù)挖掘領域里的專業(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
 SAS功能強大，統(tǒng)計方法齊、全、新。SAS提供了從基本的描述性統(tǒng)計分析到各種試驗設計的方差分析、相關回歸分析、因子分析、聚類分析、時間序列分析等多種統(tǒng)計分析，幾乎囊括了所有很前沿的分析方法，其分析技術先進、可靠，分析方法的實現(xiàn)通過過程調用完成，許多過程同時提供了多種算法和選項。
 使用簡便，操作靈活。SAS以一個通用的數(shù)據(jù)（DATA）產(chǎn)生數(shù)據(jù)集，可以通過不同的過程調用完成各種數(shù)據(jù)分析挖掘過程。SAS編程語句簡潔、短小，通常只需很少的幾個語句即可完成一些復雜的運算，得到滿意的結果。
 SAS有可在 DATA 和 PROC 使用的大量函數(shù)和自定義函數(shù)，功能非常強大，也可以作為被DATA和PROC使用的宏語言。
 SAS 的軟件及算法都是經(jīng)過檢驗的，專業(yè)的醫(yī)學生物數(shù)據(jù)統(tǒng)計一般只使用SAS軟件。
 SAS非常容易上手，如果你會SQL，則可以立即上手使用SAS。SAS提供了豐富的統(tǒng)計功能，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支持。
 在商業(yè)分析領域，SAS是無可爭辯的行業(yè)領導者，就全球而言，SAS仍然是公司和機構中使用最多的數(shù)據(jù)分析工具之一，尤其是大型金融公司。
本書的特色
 案例豐富：本書不空講SAS語法和模型算法，以大量企業(yè)實際案例、清晰簡明的解釋以及盡可能少的專用術語來介紹SAS的實際應用。
 內容全面：覆蓋企業(yè)中的熱點應用案例，比如精準營銷、流失預警、客戶分群、信用評分、廣告點擊率預測等。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行相關模型研發(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進行數(shù)據(jù)挖掘項目的開發(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、快速學習。
 學習路線圖清晰：每個案例均按照數(shù)據(jù)挖掘項目的一般工作流程逐步展開。

第1章數(shù)據(jù)挖掘知識介紹
11數(shù)據(jù)挖掘算法簡介
111分類
112聚類
113關聯(lián)
114預測
12分類模型的相關概念
121數(shù)據(jù)說明
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)挖掘過程中關鍵問題處理
131數(shù)據(jù)準備
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)科學社區(qū)調查分析
21描述性統(tǒng)計分析的主要內容
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)計圖
22SAS描述性分析過程介紹
221PROC FREQ過程
222PROC MEANS過程
223PROC UNIVARIATE過程
23調查數(shù)據(jù)說明
24數(shù)據(jù)探索
25Kaggle社區(qū)用戶畫像分析
251人員屬性
252工作屬性
253技能屬性
254學習屬性

第3章考察汽車耗油量與里程數(shù)的關系
31項目背景
32非線性回歸簡介
33非線性回歸過程說明
34廣義線性模型過程
35數(shù)據(jù)文件說明
36數(shù)據(jù)探索
37模型建立
38結果分析

第4章影響汽車銷售的關鍵因子分析
41數(shù)據(jù)說明
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
423計算因子得分
43因子分析的步驟和SAS過程
431因子分析的步驟
432FACTOR過程說明
44模型開發(fā)及結果解釋
45主成分分析和因子分析的區(qū)別

第5章健身運動中耗氧量回歸分析
51線性回歸模型
52REG過程
521過程選項
522MODEL語句選項
523關鍵字選項
524PLOT語句選項
53數(shù)據(jù)說明
54相關性分析
55回歸分析
56逐步回歸
561逐步回歸過程
562利用逐步回歸選擇變量

第6章旅客量預測分析
61項目背景
62數(shù)據(jù)文件說明
63平穩(wěn)隨機過程概述
631自回歸模型
632滑動平均模型
633自回歸滑動平均模型
64ARMA模型的識別
641基于相關函數(shù)的定階方法
642利用信息準則法定階
65模型參數(shù)的估計
66時間序列的分析步驟
67SAS系統(tǒng)的ARIMA過程
671ARIMA語句選項
672IDENTIFY語句選項
673ESTIMATE語句選項
674FORECAST語句選項
675ARIMA建模過程
68數(shù)據(jù)探索
681平穩(wěn)性檢驗
682序列變換
69自相關函數(shù)檢驗
610模型參數(shù)估計
611預測

第7章客戶群分類判別分析
71業(yè)務背景及數(shù)據(jù)說明
72判別分析的數(shù)學原理
73判別分析的SAS過程
731DISCRIM過程
732CANDISC過程
733STEPDISC過程
74數(shù)據(jù)探索
75客戶群判別模型建立
76模型應用

第8章銷售公司的客戶分群分析
81項目背景
811客戶細分的概念
812客戶細分模型
813客戶細分模型的基本流程
814細分方法介紹
82聚類分析的數(shù)學原理
821聚類的數(shù)學原理
822距離和相似距離
823聚類方法
824聚類數(shù)的確定
825聚類分析步驟
83SAS中的聚類過程
831Cluster系統(tǒng)聚類過程
832Fastclus快速聚類過程
833Varclus方差聚類過程
834Tree聚類樹型輸出過程
84數(shù)據(jù)文件說明
85數(shù)據(jù)探索
851變量衍生
852變量標準化
853變量相關性分析
86模型建立
87客戶畫像分析
88模型應用

第9章員工離職預測
91項目背景
92數(shù)據(jù)說明
93數(shù)據(jù)探索
94數(shù)據(jù)建模
941變量相關分析
942決策樹建模
95模型評估與應用

第10章廣告點擊率預測
101業(yè)務背景
1011網(wǎng)絡廣告發(fā)展情況
1012計算廣告學
102數(shù)據(jù)說明
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改變模型性能評價指標
1033重新對樣本進行采樣
104模型開發(fā)與評估
1041樣本欠抽樣
1042模型開發(fā)
1043模型評估
105CTR模型的發(fā)展脈絡

第11章產(chǎn)品精準營銷推薦
111項目背景
1111業(yè)務背景
1112數(shù)據(jù)說明
1113項目目標
112數(shù)據(jù)探索
1121變量描述性統(tǒng)計分析
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
1131欠抽樣
1132數(shù)據(jù)集分割
1133模型開發(fā)
1134模型評估
114模型應用
1141產(chǎn)品自動化推薦系統(tǒng)
1142易受到市場環(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章通信客戶流失預警模型
121項目背景
1211客戶流失分析要解決的問題
1212分析客戶流失的類型
1213如何進行客戶流失分析
122數(shù)據(jù)說明
123因變量定義
124樣本抽取
125數(shù)據(jù)探索
126模型開發(fā)
1261變量衍生
1262變量選擇
1263相關性處理
1264模型結果
127模型評估
1271開發(fā)樣本上的模型性能
1272驗證樣本上的模型性能
128模型應用

第13章銀行貸款用戶風險分析
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為什么要進行數(shù)據(jù)探索
1342數(shù)據(jù)分布情況
135模型建設
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模型結果
136模型性能評估
1361開發(fā)樣本上的模型性能
1362驗證樣本上的模型性能
137模型應用

第14章信用風險評分卡開發(fā)
141信用評分模型簡介
142信用卡模型的開發(fā)過程
143案例背景及項目目標確定
1431項目背景說明
1432確定項目目標
144數(shù)據(jù)獲取
145數(shù)據(jù)質量檢驗
146項目參數(shù)設定
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滾動率分析
1465客戶分群
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模型開發(fā)
1481證據(jù)權重（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變量相關性分析
1486模型迭代開發(fā)
149模型評估
1491混淆矩陣
1492KS統(tǒng)計量
1493ROC曲線
1410評分卡創(chuàng)建
14101評分尺度變換
14102變量分值分配
1411評分卡實施
1412監(jiān)測與報告
1413拒絕推斷
1414運用評分卡需要注意的事項

第15章信用卡反欺詐預測模型
151信用卡欺詐概述
1511信用卡欺詐的種類
1512智能反欺詐管理
1513其他反欺詐技術
152案例背景
153數(shù)據(jù)探索
154模型開發(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

第16章SAS數(shù)據(jù)清洗技術
161數(shù)據(jù)清洗簡介
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讀入列對齊的原始數(shù)據(jù)
1625讀入非標準格式的數(shù)據(jù)
1626讀入一個觀測占據(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

我要評論