預測性分析:基於數據科學的方法(原書第2版) Predictive Analytics: Data Mining, Machine Learning and Data Science for Practitioners, 2nd Edition

本書全面介紹了預測性分析相關方法，不僅直觀地闡述了相關概念，
還給出了現實的示例問題和真實的案例研究——包括從失敗項目獲得的經驗教訓。
本書理論和實踐內容相對平衡，便於讀者加深理解。
全書共9章，外加一個附錄。
第1章為分析導論，
第2章為預測性分析和數據挖掘導論，
第3章介紹預測性分析的標準流程，
第4章介紹預測性分析的數據和方法，
第5章介紹預測性分析算法，
第6章探討預測性建模中的高階主題，
第7章介紹文本分析、主題建模和情感分析，
第8章介紹預測性分析使用的大數據，
第9章介紹深度學習和認知計算，附錄展望了商業分析和數據科學工具的前景。
本書適合計算機科學、數據科學和商業分析領域的相關從業人員閱讀。

Dursun Delen
俄克拉何馬州立大學博士，是Spears和Patterson商務分析主席，
健康系統創新中心的研究主任，俄克拉何馬州立大學管理科學和信息系統教授。
在他開始學術生涯之前，他為一家私營研究和顧問公司——Knowledge Based Systems工作，該公司位於得克薩斯州。
他作為一位數據科學家工作了5年，在此期間，
他主持了許多決策支持和其他信息系統相關的研究項目，由聯邦機構資助，如DOD、NASA、NIST和DOE。
德倫博士的研究發表在許多核心期刊上，包括Decision Support Systems、Communications of the ACM、
Computers and Operations Research、Computers in Industry、Journal of Production Operations Management、
Artificial Intelligence in Medicine和Expert Systems with Applications等。
他出版了4本教材：Advanced Data Mining Techniques（Springer，2008）、
Decision Support and Business Intelligence Systems（Prentice Hall，2010）、
Business Intelligence：A Managerial Approach（Prentice Hall，2010）、Practical Text Mining（Elsevier，2012）。
他經常被邀請參加國內和國際會議來報告數據/文本挖掘、商務智能、
決策支持系統和知識管理的相關主題內容。
他在第四屆關於網絡計算和增強信息系統管理國際會議
（2008年9月2～4日在韓國首爾）上是共同主席，在各種信息系統會議作為主席服務。
他是International Journal of Experimental Algorithms、
International Journalof RF Technologies和Journal of Decision Analytics的副主編。
同時也是5家其他技術期刊的編委。
他的研究和教學領域包括數據與文本挖掘、決策支持系統、知識管理、商務智能及企業建模。

前言
致謝
作者簡介
第1章分析導論
1.1 名稱中有什麼關係
1.2 為什麼分析和數據科學會突然流行起來
1.3 分析的應用領域
1.4 分析面臨的主要挑戰
1.5 分析的縱向視圖
1.6 分析的簡單分類
1.7 分析的前沿：IBM Watson
小結
參考文獻
第2章預測性分析和數據挖掘導論
2.1 什麼是數據挖掘
2.2 數據挖掘不是什麼
2.3 最常見的數據挖掘應用
2.4 數據挖掘能夠發現什麼樣的模式
2.5 流行的數據挖掘工具
2.6 數據挖掘的潛在問題：隱私問題
小結
參考文獻
第3章預測性分析的標準流程
3.1 數據庫的知識發現流程
3.2 跨行業數據挖掘的標準流程
3.3 SEMMA
3.4 SEMMA和CRISP-DM
3.5 數據挖掘的六西格瑪
3.6 哪種方法最好
小結
參考文獻
第4章預測性分析的數據和方法
4.1 數據分析中數據的本質
4.2 分析中的數據預處理
4.3 數據挖掘方法
4.4 預測
4.5 分類
4.6 決策樹
4.7 數據挖掘中的聚類分析
4.8 k均值聚類算法
4.9 關聯
4.10 Apriori算法
4.11 數據挖掘和預測性分析的誤解與現實
小結
參考文獻
第5章預測性分析算法
5.1 樸素貝葉斯
5.2 最近鄰算法
5.3 相似度度量：距離
5.4 人工神經網絡
5.5 支持向量機
5.6 線性回歸
5.7 邏輯回歸
5.8 時間序列預測
小結
參考文獻
第6章預測性建模中的高階主題
6.1 模型集成
6.2 預測性分析中的偏差-方差權衡
6.3 預測性分析中的非平衡數據問題
6.4 預測性分析中機器學習模型的可解釋性
小結
參考文獻
第7章文本分析、主題建模和情感分析
7.1 自然語言處理
7.2 文本挖掘應用
7.3 文本挖掘流程
7.4 文本挖掘工具
7.5 主題建模
7.6 情感分析
小結
參考文獻
第8章預測性分析使用的大數據
8.1 大數據從何而來
8.2 定義大數據的V
8.3 大數據的基本概念
8.4 大數據分析解決的業務問題
8.5 大數據技術
8.6 數據科學家
8.7 大數據和流分析
8.8 數據流挖掘
小結
參考文獻
第9章深度學習和認知計算
9.1 深度學習導論
9.2 淺層神經網絡基礎
9.3 人工神經網絡的要素
9.4 深度神經網絡
9.5 卷積神經網絡
9.6 循環神經網絡與長短時記憶網絡
9.7 實現深度學習的計算機框架
9.8 認知計算
小結
參考文獻
附錄KNIME及商業分析和數據科學工具前景展望