大嘴巴漫谈数据挖掘

《大嘴巴漫谈数据挖掘（全彩）》从最基本的概率统计学开始，全面、系统、形象而又深入地描述了数据挖掘的基础概念、应用领域以及常用算法。其中每一种数据挖掘算法都辅以通俗易懂的实例，读者能够在直观性、趣味性中学习算法的具体流程，明白算法的实现过程。通过《大嘴巴漫谈数据挖掘（全彩）》的学习，读者可以对数据挖掘的概念、应用和算法技术有一个清晰的理解和认识，并可以熟悉相关统计学的基本原理。

《大嘴巴漫谈数据挖掘（全彩）》适合想从事数据挖掘方面的工作的初学者、数据分析爱好者、分析师，以及一线的数据挖掘开发人员参考阅读，也适合客户经理针对如何开展针对性的营销活动，避免客户流失而阅读学习，更适合产品经理阅读，因为针对如何预测产品的目标用户，促进用户活跃和业务有效使用，靠经验已经不行了，数据才最有说服力，更适合企业管理者将其作为一本通俗易懂的数据挖掘基础读物阅读学习，对下...

(展开全部)

《大嘴巴漫谈数据挖掘（全彩）》从最基本的概率统计学开始，全面、系统、形象而又深入地描述了数据挖掘的基础概念、应用领域以及常用算法。其中每一种数据挖掘算法都辅以通俗易懂的实例，读者能够在直观性、趣味性中学习算法的具体流程，明白算法的实现过程。通过《大嘴巴漫谈数据挖掘（全彩）》的学习，读者可以对数据挖掘的概念、应用和算法技术有一个清晰的理解和认识，并可以熟悉相关统计学的基本原理。

《大嘴巴漫谈数据挖掘（全彩）》适合想从事数据挖掘方面的工作的初学者、数据分析爱好者、分析师，以及一线的数据挖掘开发人员参考阅读，也适合客户经理针对如何开展针对性的营销活动，避免客户流失而阅读学习，更适合产品经理阅读，因为针对如何预测产品的目标用户，促进用户活跃和业务有效使用，靠经验已经不行了，数据才最有说服力，更适合企业管理者将其作为一本通俗易懂的数据挖掘基础读物阅读学习，对下属的工作方向给予指导，以及适合教师学生数据挖掘课程辅导之用。

目录
第一境昨夜西风凋碧树。独上高楼，望尽天涯路…… /10
1.1数据挖掘简介 / 11
开篇点题引五问 /12
大数据中求价值 /13
定义概述归特点 /14
· · · · · · (更多)

目录
第一境昨夜西风凋碧树。独上高楼，望尽天涯路…… /10
1.1数据挖掘简介 / 11
开篇点题引五问 /12
大数据中求价值 /13
定义概述归特点 /14
知识决策跨领域 /15
架构特征多形式 /17
数据立方展多维 /19
功能挖掘四大类 /22
分类刻画类标识 /23
数据聚类辨亲疏 /24
预测未来训模型 /25
关联源自购物篮 /27
模型过程方法论 /28
十大算法成经典 /32
1.2数据挖掘应用 /33
行业推广多应用 /34
用户为王放心中 /36
指导运营全周期 /37
定位目标寻用户 /38
精准营销成闭环 /39
交叉产品有关联 /40
细分用户刻画像 /41
用户体验模型化 /43
指标评测建体系 /44
流失预警保用户 /45
跟踪评估验效果 /47
第二境衣带渐宽终不悔，为伊消得人憔悴…… /48
2.1概率定义 /49
浮生难料尽偶然 /50
一枚硬币抛正反 /51
引出随机小试验 /53
样本空间样本点 /54
事件三分包万象 /55
试验频率需频繁 /58
次数无限值极限 /59
描述概率定特点 /60
古典概型等可能 /61
事件B后A在前 /62
求出概率称条件 /65
独立事件A和B /67
抽签中奖公平性 /71
常用概率两公式 /76
交空并全划样本 /77
综合状态全概率 /78
前因后果贝叶斯 /80
2.2随机变量 /81
随机试验数量化 /82
统计规律双类型 /83
离散变量分布律 /84
硬币抛掷是一零 /85
分布函数连续型 /87
函数求导得密度 /89
高斯分布称正态 /91
标准正态分位点 /95
2.3数字特征 / 98
随机变量有特征 /98
平均取值是期望 /100
方差衡量偏离值 /101
标准开根同量纲 /103
变量关系协方差 /104
相关系数相关度 /105
研究总体要抽样 /108
抽样分布统计量 /109
2.4参数估计 /111
最小二乘估参数 /112
极大似然大概率 /116
区间估计置信度 /119
2.5假设检验 / 123
总体假设来检验 /124
服从正态抽样本 /125
统计量中验假设 /126
弃真取伪两错误 /127
显著检验小概率 /128
小概率中拒绝域 /130
检验流程出决策 /131
已知总体方差值 /132
检验中验均值 /133
第三境众里寻她千百度，蓦然回首，那人却在，灯火阑珊处。 /134
3.1关联规则 / 135
购物篮中找关联 /136
数据事务若干项 /137
事务空间含项集 /138
置信支持提升度 /142
规则源于频繁项 /145
k项连接和剪枝 /146
生成非空规则集 /148
关联效果来评估 /149
3.2决策树 /155
决策思维成树形 /156
分类预测工作流 /161
原理基于信息熵 /162
信息增益条件熵 /164
节点拆分选特征 /170
3.3贝叶斯 /186
预测分类贝叶斯 /187
类别概率要最大 /188
分类数据新预测 /195
3.4聚类分析 / 196
物以类聚人以群 /197
样本变量定矩阵 /198
R型Q型换空间 /199
距离度量相似度 /200
系数聚类统计量 /202
标准样本选欧氏 /203
层次聚合归大类 /205
3.5神经网络 /209
神经网络神经元 /210
神经元中有加权 /211
输入映射输出层 /213
求出误差调参数 /214
权重偏置学习率 /216
实例分析模型流 /217
3.6线性回归 /222
研究身高引回归 /223
单自变量归一元 /224
最小二乘估回归 /226
数据差异总离差 /228
分为解释和误差 /229
判定系数拟合度 /230
多元回归建方程 /231
回归面中展二元 /233
求得回归系数解 /234
衡量拟合验效果 /236
3.7逻辑回归 /237
因变量中二分类 /238
二项逻辑回归式 /240
极大似然解方程 /242
预测分类符合率 /244
3.8因子分析 /245
相关变量纳因子 /246
因子构造筑模型 /248
因子载荷统计性 /251
衡量信息共同度 /252
方差贡献重要性 /253
因子分析四步曲 /254
构造因子求载荷 /255
旋转因子得命名 /260
因子组合求得分 /265
3.9信度分析 /268
设计问卷来调研 /269
信度检验可靠性 /270
3.10效度分析 /272
结构方程协方差 /273
测量模型内外生 /276
结构模型潜变量 /279
效度分析路径图 /280
提出假设依理论 /281
固定负荷识模型 /282
相关阵中估参数 /283
· · · · · · (收起)