第1章　大數(shù)據(jù)分析概論 1 1.1　大數(shù)據(jù)分析的產(chǎn)生背景與 基礎(chǔ) 5 1.1.1　大數(shù)據(jù)分析的產(chǎn)生背景 5 1.1.2　大數(shù)據(jù)分析的基礎(chǔ) 6 1.2　大數(shù)據(jù)分析的概念與 基本原理 7 1.2.1　大數(shù)據(jù)分析的概念 7 1.2.2　大數(shù)據(jù)分析的基本原理 8 1.3　大數(shù)據(jù)分析的對象、過程和 價值 10 1.3.1　大數(shù)據(jù)分析的對象 10 1.3.2　大數(shù)據(jù)分析的過程 13 1.3.3　大數(shù)據(jù)分析的價值 15 本章小結(jié) 18 習(xí)題 18 第2章　大數(shù)據(jù)分析預(yù)備知識 20 2.1　模型評估與選擇 21 2.1.1　經(jīng)驗誤差與過擬合 21 2.1.2　評估方法 22 2.1.3　性能度量 25 2.2　假設(shè)檢驗 26 2.2.1　假設(shè)檢驗的基本概念 26 2.2.2　正態(tài)總體參數(shù)的假設(shè)檢驗 30 2.3　方差分析 34 2.3.1　問題的提出 34 2.3.2　單因子方差分析統(tǒng)計模型 35 2.3.3　平方和分解 36 2.3.4　檢驗方法 38 本章小結(jié) 41 習(xí)題 41 第3章　大數(shù)據(jù)分析常用降維方法 43 3.1　線性判別分析 44 3.1.1　線性判別分析概述 44 3.1.2　線性判別分析的計算過程 45 3.1.3　線性判別分析的優(yōu)點和 缺點 46 3.1.4　線性判別分析的應(yīng)用 47 3.2　主成分分析 47 3.2.1　主成分分析概述 48 3.2.2　主成分分析的計算過程 49 3.2.3　主成分分析的提取標(biāo)準(zhǔn) 51 3.2.4　主成分分析的應(yīng)用 52 3.3　因子分析 55 3.3.1　因子分析概述 55 3.3.2　因子分析的模型 57 3.3.3　因子分析的計算過程 58 3.3.4　因子分析的應(yīng)用 60 本章小結(jié) 65 習(xí)題 65 第4章　大數(shù)據(jù)分析常用方法 67 4.1　關(guān)聯(lián)分析 68 4.1.1　關(guān)聯(lián)分析的概念 68 4.1.2　Apriori算法 70 4.1.3　FP-Growth算法 72 4.1.4　關(guān)聯(lián)規(guī)則的評估 75 4.2　分類分析 80 4.2.1　分類分析的概念 80 4.2.2　樸素貝葉斯分類 81 4.2.3　決策樹 83 4.2.4　支持向量機 87 4.2.5　分類模型的評估 88 4.3　聚類分析 89 4.3.1　聚類分析的概念 89 4.3.2　k-means算法 92 4.3.3　k-medoids算法 93 4.3.4　DBSCAN算法 94 4.3.5　聚類結(jié)果的評估 95 本章小結(jié) 97 習(xí)題 97 第5章　時間序列分析 99 5.1　時間序列分析法概述 100 5.1.1　時間序列的概念 100 5.1.2　時間序列的分類 103 5.1.3　時間序列分析法的分類 105 5.2　確定性時間序列分析法 106 5.2.1　移動平均法 106 5.2.2　指數(shù)平滑法 110 5.2.3　季節(jié)指數(shù)法 114 5.3　隨機性時間序列分析法 118 5.3.1　平穩(wěn)性時間序列分析 118 5.3.2　非平穩(wěn)性時間序列分析 120 5.3.3　異方差時間序列分析 123 本章小結(jié) 124 習(xí)題 125 第6章　人工神經(jīng)網(wǎng)絡(luò) 127 6.1　人工神經(jīng)網(wǎng)絡(luò)概述 129 6.1.1　人工神經(jīng)網(wǎng)絡(luò)簡介 130 6.1.2　人工神經(jīng)網(wǎng)絡(luò)在大數(shù)據(jù)中的 應(yīng)用 132 6.2　人工神經(jīng)網(wǎng)絡(luò)模型 132 6.2.1　多層感知器 133 6.2.2　徑向基函數(shù)神經(jīng)網(wǎng)絡(luò) 134 6.2.3　Kohonen網(wǎng)絡(luò) 135 6.3　學(xué)習(xí)規(guī)則 137 6.3.1　Hebb學(xué)習(xí)規(guī)則 138 6.3.2　Perceptron學(xué)習(xí)規(guī)則 139 6.3.3　?學(xué)習(xí)規(guī)則 139 6.3.4　LMS學(xué)習(xí)規(guī)則 140 6.3.5　Correlation學(xué)習(xí)規(guī)則 140 6.3.6　Winner-Take-All學(xué)習(xí) 規(guī)則 140 6.4　神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法 141 6.4.1　梯度下降算法 141 6.4.2　演化算法 142 6.4.3　遺傳算法 143 本章小結(jié) 146 習(xí)題 146 第7章　大數(shù)據(jù)分析工具 148 7.1　數(shù)據(jù)透視表 150 7.1.1　數(shù)據(jù)透視表的功能 150 7.1.2　數(shù)據(jù)透視表的相關(guān)操作 151 7.1.3　數(shù)據(jù)透視表分析 156 7.2　Python數(shù)據(jù)分析庫 158 7.2.1　Python的安裝和設(shè)置 158 7.2.2　常用的Python數(shù)據(jù) 分析庫 159 7.2.3　Python在大數(shù)據(jù)分析中的 應(yīng)用 161 7.3　Tableau 163 7.3.1　Tableau的系列產(chǎn)品 163 7.3.2　Tableau的應(yīng)用優(yōu)勢 164 7.3.3　Tableau的數(shù)據(jù)連接 166 7.3.4　Tableau在網(wǎng)站內(nèi)容評估中的 應(yīng)用 168 本章小結(jié) 173 習(xí)題 173 第8章　大數(shù)據(jù)可視化 175 8.1　大數(shù)據(jù)可視化概述 176 8.1.1　大數(shù)據(jù)可視化的概念 176 8.1.2　大數(shù)據(jù)可視化的作用 177 8.1.3　大數(shù)據(jù)可視化的應(yīng)用 178 8.2　大數(shù)據(jù)可視化的基礎(chǔ)和 表現(xiàn)形式 183 8.2.1　大數(shù)據(jù)可視化的原則和 步驟 184 8.2.2　統(tǒng)計圖表可視化方法 186 8.2.3　不同類型數(shù)據(jù)和圖形的 展示 187 8.3　大數(shù)據(jù)可視化工具 194 8.3.1　Tableau的可視化功能 194 8.3.2　ECharts工具簡介 199 本章小結(jié) 202 習(xí)題 203 參考文獻 204