Подлинные точечные материалы для анализа данных и эксплуатационные боевые идеи, методы, методы, методы и приложения.
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
Название книги: Практика управления данными и эксплуатация данных: идеи, методы, методы и приложения
Автор: Лу Хуи
Пресса: Machinery Industry Press
Время публикации: 2013-6
Издание: 1
Время печати: 2016-12
Индийский: 10
Количество страниц: 258
Открыто: 16
Переплет: мягкая обложка
ISBN: 9787111426509
Цена: 59,00
Написано Лу Хуи, старшим экспертом по анализу данных в Alibaba, кристаллизации многолетнего опыта в практике применения в сфере добычи данных
Сильный фактический бой, суммирует и суммирует коммерческие боя с точки зрения аналитиков данных и показывает много фактов и случаев.&Ldquo: «Бизнес как основной, идеи как фокус и технология горнодобывания как вспомогательные” деловая практика добычи данных
«Идеи, методы, методы, методы и приложения для интеллектуальной практики данных» в настоящее время являются относительно полной и систематической работой по интеллектуальному анализу данных в области практики работы данных. Это также одна из немногих работ, перемежающихся с большим количеством реальных практических случаев применения и сценариев среди многих книг по добыче данных.Он также творчески вводит набор аналитических идей один на один и соответствующую интеграцию аналитических навыков для различных типов аналитических и добычи темы в операции данных, предоставляя читателям полный набор аналитических идей один к одному и комплексный набор методов анализа для различных анализов и темах добычи в работе данных.“ Медеруляризация” Практические советы для практического боя. Автор объединяет большое количество опыта проекта в своей собственной практике операции данных и использует простой для понимания&Ldquo;нетехнический” язык и большое количество живых и ярких случаев, сосредотачиваясь на идеях, методах, методах и приложениях в анализе данных и добыче, он организует, суммирует и делятся во всех аспектах, чтобы помочь читателям глубоко понять и овладеть ими, и помогают читателям понять и освоить его глубоко&LDQUO: «Бизнес как основной, идеи как фокус и технология анализа как вспомогательные” Книга применений практики интеллектуального анализа данных.
«Практические практические идеи, методы, методы и применения операций с интеллектуальными данными и операциями данных» содержит 19 глав, разделенные на три части: система основы (DY ~ 4 главы) вводит соответствующий фон анализа данных и операции данных, а также операция данных в работе данных.“координировать и сотрудничать&Ядро Rdquo; и типы общих аналитических проектов на практике; Практическая глава (глава 6-13) в основном вводит практические навыки общих аналитических методов добычи на практике, а также распространяется и демонстрирует большое количество практических случаев на протяжении всего процесса; Идеологическая и осознанная глава (Глава 5, Глава 4-19 DY) в основном суммирует и исследует культивирование и улучшение обязанностей, осведомленности и размышлений об аналитиках данных, а также некоторые эффективные системы контроля качества проекта и классические методологические введения.
Lu Hui, эксперт по анализу данных Министерства торговли Алибабы, занимался маркетингом баз данных и анализом данных.В настоящее время Alibaba в основном занимается планированием оперативных данных на основе данных, управлении проектами и реализацией, и обладает богатым опытом работы в области проекта на основе данных в интернет -индустрии.Обратите внимание на управление проектами операций и интеллектуального анализа данных на основе данных.
Рекомендация
Предисловие
DY Глава, что такое операция на основе данных
1.1 История развития современной теории маркетинга
1.1.1 от 4p до 4c
1.1.2 от 4C до 3P3C
1.2 Основное содержание работы данных
1.3 Зачем нам работать данные
1.4 Требования к работе на основе данных
1.4.1 Реализация массового хранения данных на уровне предприятия
1.4.2 Требования к утонченным операциям
1.4.3 Эффективное применение анализа данных и технологии интеллектуального анализа данных
1.4.4 Адвокация и непрерывная поддержка со стороны корпоративных уровней принятия решений
1.5 Новые явления и разработки в операциях на основе данных
1.6 Самые новые данные в Интернете и электронной коммерции
Глава 2 Обзор добычи данных
2.1 История разработки данных
2.2 Основные различия между статистическим анализом и интеллектуальным анализом данных
2.3 Основные зрелые технологии интеллектуального анализа данных и их основные приложения в операциях данных
2.3.1 Дерево решений
2.3.2 Нейронная сеть
2.3.3 Возврат
2.3.4 Связанные правила
2.3.5 кластеризация
2.3.6 Метод байесовской классификации
2.3.7
2.3.8 Анализ основных компонентов
2.3.9 Тест гипотезы
2.4 Характеристики приложений для интеллектуального анализа данных в интернет -индустрии
Глава 3 Общие типы проектов анализа данных в работе данных
3.1 Характерный анализ целевых клиентов
3.2 Целевая модель прогнозирования клиентов (ответ, классификация)
3.3 Определение деятельности операционных групп
3.4 Анализ пути пользователя
3.5 модель поперечного продажи
3.6 Модель качества информации
3.7 Модель гарантии обслуживания
3.8 Пользовательская (покупатель, продавец) многослойная модель
3.9 Модель транзакции продавца (покупателя)
3.10 модель кредитного риска
3.11 Модель рекомендации по продукту
3.11.1 Рекомендация по продукту Введение
3.11.2 Правила ассоциации
3.11.3 Алгоритм совместной фильтрации
3.11.4 Сводка модели рекомендаций по продукту
3.12 Data Products
3.13 Поддержка принятия решений
Глава 4 Основанные на данных операции являются координацией и сотрудничеством между специальностями и командами
4.1 Отдел труда и позиционирования между командой анализа данных и бизнес -командой
4.1.1 Предлагаем требования к бизнес -анализу и быть компетентными для базового анализа данных
4.1.2 Предоставьте деловой опыт и справочные предложения
4.1.3 Планирование и внедрение утонченных планов эксплуатации
4.1.4 Отслеживание результатов работы, обратной связи и резюме
4.2 Операция данных-это реальная многопрофессиональная и многопрофильная работа совместная работа
4.3 Примеры демонстрируют межпрофессиональную и перекрестную координацию и сотрудничество в работе данных
Глава 5 Общие заблуждения и стратегии управления для аналитиков
5.1 Теория презрений бизнеса
5.2 Теория технологий
5.3 Техническая передовая теория
5.4 Двухсиллогизм моделирования и применения
5.5 Теория машины
5.6 Счастливые семьи похожи, но несчастные семьи имеют свои несчастья
Глава 6 Демонстрация полных случаев применения проектов добычи данных
6.1. Предлагая справочную информацию о проекте и требования к бизнес -анализу
6.2 Аналитики данных участвуют в обсуждении спроса
6.3 Разработать структуру анализа требований и план анализа
6.4 Образец образца данных, ознакомление с данными, очистка данных и дна
6.5 Предварительная конструкция моделей горнодобывания, как и планировалось
6.6 Обсудите предварительные выводы модели с бизнес -стороной и предлагают новые идеи и решения для оптимизации моделей
6.7 Образцы и модели повторно в соответствии с схемой оптимизации, уточните выводы и подтвердите модель
6.8 Полный отчет об анализе и предложения по применению
6.9 Сформулируйте конкретные планы применения и оценки
6.10 Бизнес -партии реализуют планы приложений и отслеживают и оценивают результаты
6.11 После фактической оценки эффект план применения будет постоянно исправлен и улучшен.
6.12 Оценка, сводка и обратная связь по различным планам эксплуатации
6.13 Резюме и размышления после применения проекта
Глава 7 Оптимизация и ограничения моделирования интеллектуального анализа данных
7.1 Оптимизация модели интеллектуального анализа данных должна следовать принципам эффективности и умеренности
7.2 Как эффективно оптимизировать модель
7.2.1 Оптимизировать бизнес -идеи
7.2.2 Оптимизация от технической идеи моделирования
7.2.3 Оптимизация от технических навыков моделирования
7.3 Как подумать о пределах оптимизации
7.4 Основная индикаторная система для оценки эффекта модели
7.4.1 Серия показателей для оценки точности и точности модели
7.4.2 Кривая ROC
7.4.3 Значение Ks
7.4.4 Значение подъема
7.4.5 Оценка стабильности модели
Глава 8 Общие советы по обработке данных
8.1 Извлечение данных должно правильно отражать потребности бизнеса
8.2 Отбор данных данных
8.3 Каковы конкретные требования для анализа масштаба данных
8.4 Как справиться с отсутствующими значениями и выбросами
8.4.1 Общие способы справиться с пропущенными значениями
8.4.2 Определение и обработка выбросов
8.5 Преобразование данных
8.5.1 Сгенерировать производные переменные
8.5.2. Улучшение преобразования распределения переменных
8.5.3 Преобразование связывания
8.5.4 Стандартизация данных
8.6. Правильные входные переменные фильтра
8.6.1 Зачем фильтровать допустимые входные переменные
8.6.2 Предварительный скрининг на основе бизнес -опыта
8.6.3 Предварительный скрининг с использованием линейных индикаторов корреляции
8.6.4 R квадрат
8.6.5 Инспекция хи-квадрат
8.6.6 IV и горе
8.6.7 Функция фильтрации самого алгоритма частичного моделирования
8.6.8 Методы снижения размерности
8.6.9 самые последние руководящие принципы
8.7 Проблема коллинеарности
8.7.1 Как открыть коллинеарность
8.7.2 Как справиться с коллинеарностью
Глава 9 Типичные приложения и технические советы для кластерного анализа
9.1 Типичные сценарии применения кластерного анализа
9.2 Классификация алгоритмов основной кластеризации
9.2.1 Метод разделения
9.2.2 Иерархический метод
9.2.3 Подход на основе плотности
9.2.4 Метод на основе сетки
9.3 Ключевые моменты для кластерного анализа в практическом применении
9.3.1 Как справиться с шумом данных и выбросами
9.3.2 Стандартизация данных
9.3.3 Маленькая, но сущность кластеризационных переменных
9.4 Расширенное применение анализа кластеризации
9.4.1. Основные показатели кластеризации дополняют друг друга не складываемыми бизнес-индикаторами
9.4.2 Инструменты разведки и очистки данных
9.4.3 Персонализированные рекомендуемые заявки
9.5 Преимущества и недостатки кластерного анализа в практическом применении
9.6 Система оценки и индекс оценки результатов кластерного анализа
9.6.1 Оценка бизнес -экспертов
9.6.2 Индикаторы оценки в технологии кластеризации
9.7 Типичное обмен темами кластерного анализа
9.7.1 Фон
9.7.2 Основной опрос данных
9.7.3 Предварительные выводы анализа кластеризации на основе образцов пользователей
DY Глава 0 Типичные приложения и технические советы для моделей прогнозирования (классификация)
10.1 Практическое применение и меры предосторожности для технологий нейронной сети
10.1.1 Принципы и основные элементы нейронных сетей
10.1.2 Применение преимуществ нейронных сетей
10.1.3 Недостатки и меры предосторожности технологии нейронной сети
10.2 Практическое применение и меры предосторожности для технологии дерева решений
10.2.1 Принципы и основные элементы дерева решений
10.2.2 Алгоритм Чейда
10.2.3 Алгоритм тележки
10.2.4 Алгоритм ID3
10.2.5. Применение преимуществ дерева решений
10.2.6 Недостатки и меры предосторожности деревьев решений
10.3 Практическое применение и меры предосторожности для технологии логистической регрессии
10.3.1 Принципы и основные элементы логистической регрессии
10.3.2 Методы переменной фильтрации в регрессии
10.3.3 Применение преимуществ логистической регрессии
10.3.4 Примечания по применению логистической регрессии
10.4 Практическое применение и меры предосторожности для многомерной технологии линейной регрессии
10.4.1 Принципы и основные элементы линейной регрессии
10.4.2 Применение преимуществ линейной регрессии
10.4.3 Вещи, которые следует отметить в применении линейной регрессии
10.5 переосмысление и контрмеры модели
10.6 Обмен случаями типичной модели прогнозирующего ответа
10.6.1 Фон случаев
10.6.2 Основной опрос данных
10.6.3 Извлечение и очистка данных моделирования
10.6.4 Предварительный корреляционный тест и коллинеарная проверка
10.6.5 Трансформация распределения потенциальных независимых переменных
10.6.6 Фильтрация независимых переменных
10.6.7 Строительство и оптимизация модели ответа
10.6.8 Определение модели и основные аналитические выводы
10.6.9 Оперативный план на основе моделей и выводов анализа
10.6.10 Отслеживание эффекта приложения.
DY Глава 1 Типичные приложения и технические советы для анализа характеристик пользователя
11.1 Типичные бизнес -сценарии, применимые к анализу характеристик пользователя
11.1.1 Поиск целевых пользователей
11.1.2 Поиск инструмента для работы
11.1.3 Основа для подразделения групп пользователей
11.1.4 Подсказки и основа для разработки новых продуктов
11.2 Типичные идеи анализа и методы анализа для анализа пользовательских функций
11.2.1 Разница между 3 подразделениями
11.2.2 RFM
11.2.3 Применение технологии кластеризации
11.2.4 Применение технологии дерева решений
11.2.5 Модели «Независимые переменные» в моделях прогнозирования (ответа)
11.2.6 Применение тестирования гипотез
11.3 Система оценки после уточнения функции
11.4 Различия и соединения между анализом пользовательских функций и моделью прогнозирования пользователей
11.5.
DY Глава 2 Типичные применения и технические советы для анализа операционного эффекта
12.1 Почему анализ операционных результатов
12.2 Наиболее важное и общее применение статистической технологии в работе данных
12.2.1 Почему необходимо провести тесты гипотезы
12.2.2 Основные идеи тестирования гипотез
12.2.3 Обзор t -теста
12.2.4 Гипотеза и тесты Т -тестов для двух независимых образцов
12.2.5 Непараметрический тест двух независимых образцов
12.2.6 T-критерий разницы в спаривании
12.2.7 Непараметрический тест разницы в спаривании
12.2.8 Обзор дисперсионного анализа
12.2.9 односторонний анализ дисперсии
12.2.10 непараметрические тесты для нескольких групп образцов
12.2.11 Инспекция хи-квадрат
12.2.12 Методы управления переменными
12.2.13 AB Test
DY Глава 3 Модель воронки и анализа пути
13.1 сетевые журналы и точки
13.1.1 Точка распределения журналов
13.1.2 Коллекция журналов
13.1.3 Анализ журнала
13.1.4 Анализ журнала
13.2 Основные различия и связи между моделью воронки и анализом пути
13.3 Основные сценарии применения модели воронки
13.3.1 Мониторинг эксплуатационных процессов, а также анализ и улучшение операционной эффективности
13.3.2 Анализ критических путей пользователя
13.3.3 Оптимизация продукта
13.4 Основные сценарии применения анализа пути
13.5 Основные алгоритмы для анализа пути
13.5.1 Метод анализа социальной сети
13.5.2 Анализ корреляции на основе последовательности
13.5.3 Самый простой метод обхода
13.6 Совместное использование случаев анализа пути
13.6.1 Фон
13.6.2 Введение в основные аналитические методы
13.6.3 Обзор данных, используемых для анализа
13.6.4 Основные выводы данных и бизнес -объяснения
13.6.5 Основные анализы выводы отслеживания приложений
DY Глава 4 Аналитики данных культивируют возможности анализа данных бизнес -команды
14.1 Важность культивирования осведомленности и способности бизнес -команды анализировать данные
14.2 Роль аналитиков данных в культивировании способности анализа данных бизнес -команды
14.3 Как аналитики данных разрабатывают осведомленность и способность бизнес -групп анализировать данные
14.4 Обмен случаями способности аналитиков данных развивать анализ данных бизнес -команды
14.4.1 Фон
14.4.2 Описание процесса
14.4.3. Отслеживание эффекта этого проекта
DY Глава 5 мышление с точки зрения других
15.1 Зачем вам нужно думать с точки зрения других
15.2 Подумайте с точки зрения деловых партий
15.3 Уроки, извлеченные с точки зрения сверстников в размышлениях об анализе данных.
DY Глава 6 Разработка качества и моделей мышления аналитиков данных
16.1 Отношение определяет все
16.1.1 Вера
16.1.2 Доверие
16.1.3 Страсть
16.1.4
16.1.5 Спасибо
16.2 Информация о бизнесе является основной
16.2.1 Почему осведомленность о бизнесе является основной
16.2.2 Как развивать осведомленность о бизнесе
16.3 Основная методология
16.4 Смелые предположения и будьте осторожны, чтобы доказать
16,5 20/80 Принцип
16.6 Структурированное мышление
16.7 Отличные аналитики данных должны быть как объективными, так и субъективными
DY Глава 7 Все великие дороги ведут в Рим
17.1 Почему все пути ведут к Риму
17.2 Все пути уделяют особое внимание
17.3 Сознательное послушание и положительный ответ
17.3.1 Сознательно повиноваться
17.3.2 положительный ответ
17.4 Конкретные примеры
DY Глава 8 Процесс обеспечения качества и система интеллектуального анализа данных
18.1 Эффективная система процессов обеспечения качества
18.1.1 Сбор бизнес -требований
18.1.2 Приоритет требований к оценке оценки оценки
18.1.3 Создание исследовательской группы и предварительное расследование
18.1.4 Отправить формальный проект (проект) План бизнес -партии
18.1.5 Разработка анализов данных и добычи.
18.1.6 Отправить отчет о заключении, а также предложения по внедрению бизнеса и применения в бизнес -партии
18.1.7 Мониторинг применения и эффективности обратной связи по темам (проекты)
18.2 Важность системы процессов обеспечения качества
18.3 Как поддержать и укрепить систему процесса обеспечения качества
DY Глава 9 Несколько классических методологий интеллектуального анализа данных
19.1 Методология SEMMA
19.1.1 выборка данных
19.1.2 Исследование данных
19.1.3 Корректировка данных
19.1.4 Модизация
19.1.5 Оценка
19.2 Методология CRISP-DM
19.2.1 Понимание бизнеса
19.2.2 Понимание данных
19.2.3 Подготовка данных
19.2.4 Строительство модели
19.2.5 Оценка модели
19.2.6 Выпуск модели
19.3 9 Законы копания Тома Хабазы