包邮大数据与商务决策

**章 基本概念
**节 大数据的概念及其分析的一般思路
一、大数据概念探析
二、大数据时代不可忽略的小数据分析
第二节 商务决策的概念以及一般步骤
一、决策与商务决策
二、商务决策的一般步骤
三、商务决策的一个例子
第三节 数据分析与商务决策的关系及一些典型示例
一、两者之间的关系
二、典型示例
第四节 各章节内容及各章的重点难点
习题一
本章参考文献
第二章 统计学习方法概述
**节 一个导入性的例子
第二节 统计学习方法的三要素及其含义
一、模型
二、策略
三、算法
习题二
本章参考文献
第三章 分类器模型的评价标准及提升策略
**节 分类器模型的一般形式
第二节 评价分类器准确性的指标
一、Accuracy，Precision，Recall和F-measure
二、Cost
三、ROC和AUC
第三节 提高分类器准确性的方法
一、袋装法
二、自适应增强方法
习题三
本章参考文献
第四章 感知机与神经网络
**节 概念介绍
第二节 感知机
一、感知机模型
二、感知机学习策略
三、感知机学习算法
四、感知机学习算法的收敛性
第三节 人工神经网络
一、神经元模型
二、神经网络的结构
三、神经网络的学习规则
第四节 BP神经网络算法
一、BP神经网络算法基本原理
二、BP神经网络算法的流程及算例
三、模型应用讨论
习题四
本章参考文献
第五章 贝叶斯分类方法
**节 贝叶斯定理
一、条件概率
二、贝叶斯定理
第二节 贝叶斯定理在分类中的应用概述
一、分类问题概述
二、贝叶斯定理在分类中运用的基本原理
第三节 朴素贝叶斯分类方法
一、概念及主要方法描述
二、方法流程及算例
习题五
本章参考文献
第六章 k近邻算法
**节 k近邻算法基本原理
第二节 k近邻模型
一、模型
二、距离度量
三、k值的选择
四、分类决策规则：与统计学习方法一般模型的关系
第三节 后近邻算法的实现：kd-树
一、构造kd-树
二、搜索kd-树
第四节 商务决策案例及应用：员工离职预测
一、数据说明
二、问题描述
三、模型求解
四、结果总结及讨论
习题六
本章参考文献
第七章 聚类算法
**节 聚类分析基本概念
一、性能度量
二、距离计算
第二节 聚类算法的分类
一、基于划分的方法
二、基于层次的方法
三、基于密度的方法
第三节 k均值算法
一、基本原理
二、算法流程
第四节 BIRCH算法
一、聚类特征(CF)
二、聚类特征树(CF-tree)
第五节 DBSCAN算法
一、基本原理
二、算法流程
第六节 方法总结与讨论
习题七
本章参考文献
第八章 EM算法及其应用
**节 EM算法的基本流程
一、从三硬币问题的方法导入
二、极大似然估计与牛顿法求解“三枚硬币问题”
三、EM算法的基本步骤
第二节 EM算法的来源
一、EM算法的来源推导
二、EM算法的收敛性分析
第三节 EM算法的应用举例
习题八
本章参考文献
第九章 随机行动者模型
**节 随机行动者模型简介
第二节 随机行动者模型
一、基本假设
二、模型说明
三、参数估计
第三节 效应说明
一、网络结构效应
二、一元属性
三、二元属性
四、效应选择的规则
第四节 模型应用
习题九
本章参考文献
第十章 大数据处理及应用示例
**节 数据规模的认识
第二节 大数据处理框架简介
第三节 Hadoop处理框架
一、HDFS：分布式文件系统
二、MapReduce：分布式计算框架
三、Yam：资源调度管理
第四节 商务决策实战
一、流量统计与地点聚类
二、地址标签匹配
第五节 讨论与小结
习题十
本章参考文献