目錄前言第1章 大數據概論 11.1 什么是大數據 11.1.1 大數據時代背景 11.1.2 大數據的定義 21.1.3 大數據的特征 51.1.4 DIKW模型 61.2 大數據的產生與來源 81.2.1 信息-物理-社會融合系統 81.2.2 大數據的產生方式 91.2.3 典型大數據來源 91.3 大數據時代的科研范式 131.3.1 數據科學 131.3.2 數據密集型科學發現 141.3.3 計算社會科學 151.4 大數據人才與組織 161.4.1 大數據人才 161.4.2 大數據組織 171.5 大數據安全與隱私保護 181.5.1 大數據安全 181.5.2 隱私保護 20參考文獻 21第2章 商務分析基礎 222.1 商務分析概述 222.1.1 什么是商務分析 222.1.2 從商務智能到商務分析 232.1.3 大數據時代的商務分析 252.2 商務數據分析框架 262.2.1 描述性分析 262.2.2 預測性分析 262.2.3 規范性分析 272.3 常用的商務數據分析方法 282.3.1 關聯分析 282.3.2 聚類分析 282.3.3 分類分析 282.3.4 回歸分析 292.4 商務數據分析流程 292.4.1 數據分析過程模型 292.4.2 六階段任務 30參考文獻 32第3章 大數據管理 333.1 結構化數據與非結構化數據 333.1.1 結構化數據 343.1.2 非結構化數據 343.2 元數據管理 353.2.1 什么是元數據 353.2.2 元數據如何管理 373.3 大數據存儲管理 383.3.1 傳統關系型數據庫 383.3.2 數據倉庫與數據集市 393.3.3 NoSQL數據庫 413.3.4 Hadoop與MapReduce 423.3.5 云計算與云數據管理 443.4 數據質量管理 463.4.1 數據質量維度 463.4.2 影響數據質量的因素 483.4.3 數據生命周期 493.4.4 數據質量管理方法 50參考文獻 52第4章 數據預處理 534.1 數據清洗 534.1.1 缺失數據處理 534.1.2 噪聲數據處理 544.2 數據集成 554.2.1 模式集成問題 554.2.2 屬性語義差異和結構差異問題 554.2.3 冗余問題 564.2.4 數據重復問題 564.2.5 數據沖突問題 574.3 數據轉換 574.4 數據降維 574.4.1 維數災難 584.4.2 降維方法 59參考文獻 61第5章 數據探索分析 625.1 數據描述統計分析 625.1.1 分散趨勢分析 625.1.2 集中趨勢分析 635.1.3 變異分析 635.1.4 相關分析 635.2 數據可視化 645.2.1 數據可視化的價值 645.2.2 趨勢型數據可視化 655.2.3 對比型數據可視化 685.2.4 比例型數據可視化 755.2.5 分布型數據可視化 785.2.6 關系型數據可視化 815.2.7 地理型數據可視化 84參考文獻 84第6章 描述性數據分析 856.1 關聯分析 856.1.1 頻繁項集 856.1.2 關聯規則 856.1.3 關聯規則發現流程 866.1.4 Apriori算法 876.1.5 FP-growth算法 926.1.6 關聯規則評價 966.2 序列模式分析 986.2.1 基本概念 986.2.2 序列模式挖掘 996.2.3 AprioriAll算法 1006.2.4 GSP算法 1026.2.5 FreeSpan算法 1026.2.6 PrefixSpan算法 1026.2.7 算法比較 1046.3 聚類分析 1056.3.1 聚類分析方法分類 1056.3.2 劃分聚類方法 1076.3.3 層次聚類方法 1106.3.4 密度聚類方法 1176.3.5 聚類性能評估 1206.4 離群點檢測 1236.4.1 離群點及檢測方法概述 1236.4.2 基于統計的離群點檢測 1256.4.3 基于距離的離群點檢測 1266.4.4 基于密度的離群點檢測 1276.4.5 基于聚類的離群點檢測 128參考文獻 130第7章 預測性數據分析 1317.1 線性回歸分析 1317.1.1 一元線性回歸分析 1317.1.2 多元線性回歸分析 1337.2 時間序列分析 1357.2.1 時間序列的組成成分 1367.2.2 平穩序列的預測 1377.2.3 趨勢型序列的預測 1397.2.4 季節型序列的預測 1407.2.5 時間序列預測方法的選擇 1417.2.6 復合型序列的分解預測 1427.3 判別分析 1427.3.1 判別分析的基本思想 1437.3.2 兩個總體的判別分析 1447.3.3 多個總體的判別分析 1457.3.4 應用實例 1457.4 分類算法 1477.4.1 分類的數學定義 1487.4.2 決策樹 1497.4.3 貝葉斯分類 1537.4.4 k-近鄰分類 1557.4.5 人工神經網絡 1567.4.6 支持向量機 1597.5 推薦算法 1617.5.1 個性化推薦的基本概念 1617.5.2 協同過濾推薦 1617.5.3 基于內容的推薦 1657.5.4 基于知識的推薦 1657.5.5 基于信任的推薦 1677.5.6 混合推薦 1687.5.7 應用實例 170參考文獻 171第8章 規范性數據分析 1738.1 決策分析 1738.1.1 決策的定義與決策過程 1738.1.2 決策問題的類型 1748.1.3 決策問題的描述 1778.1.4 決策模型與求解方法 1778.2 數據驅動的決策 1798.2.1 數據文化 1808.2.2 數據驅動型決策的步驟 1818.2.3 大數據驅動的管理決策范式與框架 1828.3 決策支持系統 1858.3.1 決策支持系統的組件 1868.3.2 新一代決策支持系統 1878.4 商務智能系統 1888.4.1 商務智能系統的主要功能 1888.4.2 商務智能系統的體系架構 1898.5 知識管理系統 1908.5.1 知識系統的工作過程 1918.5.2 知識系統的功能與結構 1918.6 個性化推薦系統 1958.6.1 推薦系統的工作原理與構成 1958.6.2 推薦系統的架構 1968.7 收益管理系統 1988.7.1 收益管理理論 1988.7.2 收益管理系統的體系架構 2008.7.3 收益管理優化算例 201參考文獻 202第9章 非結構化數據分析 2039.1 Web數據分析 2039.1.1 Web數據分析任務 2039.1.2 Web挖掘的基本流程 2059.1.3 Web信息爬取 2069.1.4 Web結構挖掘 2129.1.5 Web觀點挖掘 2159.1.6 Web使用挖掘 2209.2 文本數據分析 2229.2.1 預處理技術 2229.2.2 文本表示 2289.2.3 文本聚類 2359.2.4 文本分類 2389.3 圖數據分析 2399.3.1 圖的基礎知識 2399.3.2 二分圖匹配 2439.3.3 頻繁子圖挖掘 2459.3.4 圖聚類 249參考文獻 254