大數(shù)據(jù)與商業(yè)智能——基于RapidMiner的數(shù)據(jù)挖掘（高等學(xué)校新文科教材·數(shù)字化管理系列）
定 價：55 元
叢書名：高等學(xué)校新文科教材·數(shù)字化管理系列
當(dāng)前圖書已被 3 所學(xué)校薦購過！
查看明細
- 作者：夏俐
- 出版時間：2025/8/1
- ISBN：9787300342207
- 出 版 社：中國人民大學(xué)出版社
- 中圖法分類：F712-39
- 頁碼：
- 紙張：
- 版次：1
- 開本：16
內(nèi)容簡介
大數(shù)據(jù)與商業(yè)智能是商學(xué)院融合大數(shù)據(jù)及人工智能技術(shù)、發(fā)展新商科培養(yǎng)模式的核心基礎(chǔ)課程，旨在運用數(shù)據(jù)挖掘和機器學(xué)習(xí)方法從企業(yè)經(jīng)營數(shù)據(jù)中挖掘所隱藏的信息與知識，幫助企業(yè)決策者更好地解決企業(yè)管理問題。本教材以數(shù)據(jù)挖掘各種經(jīng)典算法的工作原理為主線，以RapidMiner軟件為算法實踐工具，系統(tǒng)講授了數(shù)據(jù)挖掘和機器學(xué)習(xí)在解決商業(yè)智能決策問題中的應(yīng)用。
全書共14章，從數(shù)據(jù)挖掘的基本知識講起，全面探討了數(shù)據(jù)統(tǒng)計與可視化、數(shù)據(jù)預(yù)處理、關(guān)聯(lián)規(guī)則挖掘、回歸分析、決策樹、模型評估與集成學(xué)習(xí)、樸素貝葉斯、K近鄰、支持向量機、神經(jīng)網(wǎng)絡(luò)、聚類分析、文本分析、RapidMiner高階功能等內(nèi)容。
本書由作者團隊在多年教學(xué)基礎(chǔ)之上，結(jié)合數(shù)據(jù)挖掘和人工智能領(lǐng)域的學(xué)科特點，充分考慮商學(xué)院學(xué)生的背景知識結(jié)構(gòu)編寫而成，零編程門檻，非常適合用作各大院校商學(xué)院和人文社科領(lǐng)域的本科生和研究生教材，也可供對數(shù)據(jù)挖掘和機器學(xué)習(xí)感興趣的社會人士學(xué)習(xí)參考。
夏俐，中山大學(xué)管理學(xué)院教授、博士生導(dǎo)師。曾在IBM研究院、清華大學(xué)等機構(gòu)工作或任教。長期從事隨機動態(tài)決策系統(tǒng)的學(xué)習(xí)優(yōu)化理論（尤其是馬氏決策過程、強化學(xué)習(xí)、排隊論、博弈論等）研究及其在能源、通信、金融、人工智能等領(lǐng)域的應(yīng)用。主持國家自然科學(xué)基金項目五項（其中一項為重點專項項目）、國家重點研發(fā)計劃子課題三項，以及華為、騰訊等企業(yè)委托研究項目多項。兩次榮獲教育部高等學(xué)�？茖W(xué)研究優(yōu)秀成果獎（自然科學(xué)）二等獎。
第1章緒論
1.1數(shù)據(jù)挖掘的發(fā)展歷程
1.2數(shù)據(jù)挖掘的特點介紹
1.3數(shù)據(jù)挖掘的流程步驟
1.4數(shù)據(jù)挖掘的典型任務(wù)
1.5數(shù)據(jù)挖掘的經(jīng)典算法
1.6數(shù)據(jù)挖掘的案例介紹
1.7RapidMiner軟件介紹
第2章數(shù)據(jù)統(tǒng)計與可視化
2.1數(shù)據(jù)統(tǒng)計與可視化概述
2.2數(shù)據(jù)統(tǒng)計與可視化技術(shù)
2.3實驗案例與實驗任務(wù)
第3章數(shù)據(jù)預(yù)處理
3.1數(shù)據(jù)預(yù)處理概述
3.2數(shù)據(jù)預(yù)處理算法原理
3.3實驗案例與實驗任務(wù)
第4章關(guān)聯(lián)規(guī)則挖掘
4.1關(guān)聯(lián)規(guī)則挖掘概述
4.2關(guān)聯(lián)規(guī)則挖掘算法原理
4.3實驗案例與實驗任務(wù)
第5章回歸分析
5.1回歸分析概述
5.2線性回歸
5.3正則化回歸
5.4邏輯回歸
5.5實驗案例與實驗任務(wù)
第6章決策樹
6.1決策樹概述
6.2決策樹算法原理
6.3實驗案例與實驗任務(wù)
第7章模型評估與集成學(xué)習(xí)
7.1模型評估
7.2集成學(xué)習(xí)概述
7.3集成學(xué)習(xí)算法原理
7.4實驗案例與實驗任務(wù)
第8章樸素貝葉斯
8.1樸素貝葉斯概述
8.2樸素貝葉斯算法原理
8.3實驗案例與實驗任務(wù)
第9章K近鄰
9.1K近鄰概述
9.2K近鄰算法原理
9.3實驗案例與實驗任務(wù)
第10章支持向量機
10.1支持向量機概述
10.2支持向量機算法原理
10.3實驗案例與實驗任務(wù)
第11章神經(jīng)網(wǎng)絡(luò)
11.1神經(jīng)網(wǎng)絡(luò)概述
11.2神經(jīng)網(wǎng)絡(luò)算法原理
11.3實驗案例與實驗任務(wù)
第12章聚類分析
12.1聚類分析概述
12.2聚類分析算法原理
12.3實驗案例與實驗任務(wù)
第13章文本分析
13.1文本分析概述
13.2實驗案例與實驗任務(wù)
第14章RapidMiner高階功能
14.1自動建模
14.2生成式人工智能
附錄數(shù)據(jù)挖掘任務(wù)實踐與示例
A.1數(shù)據(jù)挖掘任務(wù)實踐選題
A.2數(shù)據(jù)挖掘任務(wù)實踐示例
書單推薦
