顶部
  1. 首页
  2. 图书产品
  3. 数据挖掘与Python实践
收藏

数据挖掘与Python实践

样章
作者：
李爱华主编 孟凡副主编
定价：
49.80元
ISBN：
978-7-04-058997-9
版面字数：
370.000千字
开本：
16开
全书页数：
暂无
装帧形式：
平装
重点项目：
暂无
出版时间：
2023-02-20
读者对象：
高等教育
一级分类：
管理
二级分类：
管理科学与工程
三级分类：
信息管理与信息系统

本书是教育部高等学校软件工程教学指导委员会(第一批)专业方向类规划推荐教材,中央财经大学研究生精品教材建设项目立项教材。

本书体系完整,内容丰富,共包含8章:第一章导言、第二章认识数据、第三章数据预处理、第四章关联规则挖掘、第五章分类、第六章数值预测、第七章聚类分析和第八章复杂数据的挖掘。此外,本书还附带了Python环境搭建及基础教程,供读者使用。

本书可作为高等学校数据科学与大数据专业课程教材,也可作为相关专业的专业课教材使用。

  • 前辅文
  • 第1章 导言
    • 1.1 数据挖掘简介
      • 1.1.1 数据挖掘的产生
      • 1.1.2 数据挖掘的定义
      • 1.1.3 数据挖掘的流程
    • 1.2 数据挖掘的模式类型和涉及领域
      • 1.2.1 数据挖掘的模式类型
      • 1.2.2 数据挖掘涉及领域
    • 1.3 数据挖掘的应用
    • 1.3.1 应用场景1———市场分析和管理
    • 1.3.2 应用场景2———风险分析和管理
    • 1.3.3 应用场景3———欺骗检测和异常模式识别
    • 1.4 数据挖掘的常用软件
      • 1.4.1 Python
      • 1.4.2 R
      • 1.4.3 Weka
      • 1.4.4 SPSS Modeler
      • 1.4.5 SAS
    • 本章小结
    • 课后习题
    • 即测即评
  • 第2章 认识数据
    • 2.1 数据对象与属性类型
      • 2.1.1 数据对象
      • 2.1.2 属性类型
    • 2.2 数据的基本统计描述
    • 2.2.1 数据的基本统计描述———集中趋势
    • 2.2.2 数据的基本统计描述———离散趋势
    • 2.2.3 数据的基本统计描述———基本统计图
    • 2.3 数据可视化
    • 2.4 相似性、相异性与邻近性度量
    • 2.4.1 度量数据的相似性和相异性
      • 2.4.2 标称属性的邻近性度量
      • 2.4.3 数值属性的邻近性度量
      • 2.4.4 序数属性的邻近性度量
      • 2.4.5 混合类型属性的相异性
      • 2.4.6 余弦相似性
    • 2.5 数据、信息和知识
      • 2.5.1 数据
      • 2.5.2 信息和知识
    • 2.6 Python 实践
    • 本章小结
    • 课后习题
    • 即测即评
  • 第3章 数据预处理
    • 3.1 数据预处理的原因和任务
    • 3.2 数据清洗
      • 3.2.1 缺失值
      • 3.2.2 噪声数据
    • 3.3 数据集成
    • 3.4 数据归约
      • 3.4.1 维归约
      • 3.4.2 数量归约
      • 3.4.3 数据压缩
    • 3.5 数据变换
      • 3.5.1 数据规范化
      • 3.5.2 数据离散化
    • 3.6 Python 实践
    • 本章小结
    • 课后习题
    • 即测即评
  • 第4章 关联规则挖掘
    • 4.1 频繁模式与关联规则
      • 4.1.1 频繁模式
      • 4.1.2 关联规则
    • 4.2 频繁项集的典型发掘方法
      • 4.2.1 逐层发现算法 Apriori
    • 4.2.2 无候选集发现算法FPgrowth
    • 4.3 关联规则的生成方法
    • 4.4 关联规则的其他类型
      • 4.4.1 多层次关联规则
      • 4.4.2 负模式
    • 4.4.3 结构化数据中的关联分析
    • 4.5 关联规则的兴趣度的其他度量
      • 4.5.1 提升度(lift)
      • 4.5.2 余弦(cosine)
    • 4.6 Python 实践
      • 4.6.1 Apriori 算法 Python 实践
    • 4.6.2 FPgrowth 算法Python实践
    • 4.6.3 Mushroom 案例Python实践
    • 本章小结
    • 课后习题
    • 即测即评
  • 第5章 分类
    • 5.1 分类概述
    • 5.2 决策树
      • 5.2.1 决策树的基本概念
      • 5.2.2 ID3 算法
      • 5.2.3 C4.5 算法
      • 5.2.4 决策树的剪枝
      • 5.2.5 Python 构建决策树
    • 5.3 k 近邻分类
      • 5.3.1 k 近邻的基本思想
      • 5.3.2 k 近邻的关键技术
      • 5.3.3 Python 实现 k 近邻分类
    • 5.4 朴素贝叶斯分类
      • 5.4.1 贝叶斯定理
      • 5.4.2 朴素贝叶斯分类计算
    • 5.4.3 Python 实现朴素贝叶斯分类
    • 5.5 人工神经网络
      • 5.5.1 人工神经网络的提出
      • 5.5.2 人工神经元基本模型
      • 5.5.3 人工神经网络的结构
    • 5.5.4 Python 实现人工神经网络
    • 5.6 支持向量机
      • 5.6.1 支持向量机的提出
    • 5.6.2 支持向量机分类基本原理
    • 5.6.3 Python 实现支持向量机分类器
    • 5.7 分类性能度量
      • 5.7.1 测试数据集的构造
      • 5.7.2 分类性能的度量
      • 5.7.3 不同分类模型的比较
    • 5.8 分类在信用评级中的应用案例
      • 5.8.1 信用评级的背景
      • 5.8.2 信用评级的概念
      • 5.8.3 信用评级的方法
      • 5.8.4 Python 实践
    • 本章小结
    • 课后习题
    • 即测即评
  • 第6章 数值预测
    • 6.1 数值预测的概念
      • 6.1.1 数值预测
      • 6.1.2 数值预测的相关概念
    • 6.2 回归方法
    • 6.2.1 回归概念及一元线性回归
      • 6.2.2 一元线性回归检验
      • 6.2.3 多元线性回归
      • 6.2.4 非线性回归
      • 6.2.5 二元逻辑回归
    • 6.3 回归树与模型树
      • 6.3.1 模型树的构建
      • 6.3.2 模型树的剪枝
      • 6.3.3 算法
    • 6.4 k 近邻数值预测
    • 6.5 预测误差的度量
    • 6.6 Python 实践
      • 6.6.1 线性回归
      • 6.6.2 回归树
      • 6.6.3 k 近邻回归
    • 本章小结
    • 课后习题
    • 即测即评
  • 第7章 聚类分析
    • 7.1 聚类概述
      • 7.1.1 什么是聚类
      • 7.1.2 聚类方法
      • 7.1.3 聚类功能及应用
    • 7.2 相似度度量方法
      • 7.2.1 基于内容的相似度度量
      • 7.2.2 基于链接的相似度度量
    • 7.3 k 均值聚类
      • 7.3.1 k 均值聚类原理
    • 7.3.2 k 均值聚类算法的Python实验
    • 7.4 层次聚类
      • 7.4.1 凝聚层次聚类原理
    • 7.4.2 凝聚层次聚类算法的Python实验
    • 7.5 DBSCAN 方法
      • 7.5.1 DBSCAN 聚类原理
    • 7.5.2 DBSCAN 聚类算法的Python实验
    • 7.6 聚类效果衡量方法
    • 7.7 聚类在实际场景中的应用案例
      • 7.7.1 固定资产投资聚类分析
      • 7.7.2 客户群聚类分析
    • 本章小结
    • 课后习题
    • 即测即评
  • 第8章 复杂数据的挖掘
    • 8.1 序列数据、图与网络
      • 8.1.1 序列数据
      • 8.1.2 图与网络
    • 8.2 其他类型数据
    • 本章小结
    • 课后习题
    • 即测即评
  • 附录一 Python 环境搭建及基础教程
    • 一、安装
      • (一)下载
      • (二)Python 版本问题
    • 二、jupyter
      • (一)打开 jupyter
      • (二)jupyter 操作
      • (三)选择在不同的工作目录下运行 jupyter
    • 三、包管理
      • (一)Python 数据挖掘主要使用的包
      • (二)包安装
      • (三)包的使用
  • 附录二 Python 基础教程
    • 一、Python
      • (一)基础数据类型
      • (二)复合数据类型
      • (三)控制语句
      • (四)函数
    • 二、NumPy
      • (一)数组 array
      • (二)数组运算
    • 三、Pandas
      • (一)创建 DateFrame
      • (二)浏览数据
      • (三)选择数据
      • (四)读取和写入数据
    • 四、Matplotlib
      • (一)绘图
      • (二)绘制子图
      • (三)其他类型的图像
    • 五、其他常用工具包
      • (一)Statsmodels
      • (二)SciPy
      • (三)scikitlearn

相关图书

Python数据可视化

钟雪灵 郑桂荣

￥59.00 收藏

商务智能与数据挖掘

陈晓红 寇纲 刘咏梅

￥48.00 收藏

商务智能与数据挖掘

陈晓红 寇纲 刘咏梅

￥48.00 收藏

图解Python入门

胡昌龙 张冀新

￥55.00 收藏

财经大数据分析——以python为工具

王彦超 林东杰 马云飙 段丙蕾 著

￥46.00 收藏