互联网数据挖掘与分析实战指南.docVIP

互联网数据挖掘与分析实战指南

TOC\o1-2\h\u10987第一章数据挖掘与分析概述 2

325031.1数据挖掘的定义与意义 3

180711.2数据分析的基本流程 3

311.3数据挖掘与分析的工具 3

20292第二章数据预处理 4

101912.1数据清洗 4

247512.2数据集成 4

289882.3数据变换 5

179172.4数据归一化 5

19632第三章数据摸索性分析 5

84813.1数据可视化 5

173753.1.1常见数据可视化工具 6

118753.1.2数据可视化步骤 6

76243.2数据统计分析 6

33873.2.1常见统计指标 6

262873.2.2统计分析方法 6

2173.3数据分布分析 6

94723.3.1数据分布类型 6

281723.3.2数据分布分析工具 7

25763.4关联性分析 7

188073.4.1常见关联性分析方法 7

97533.4.2关联性分析应用 7

36第四章数据挖掘算法 7

84184.1决策树算法 7

301994.2支持向量机算法 7

176584.3朴素贝叶斯算法 8

206354.4聚类算法 8

22891第五章关联规则挖掘 9

150585.1Apriori算法 9

261845.2FPgrowth算法 9

274775.3关联规则评估 9

88495.4关联规则应用 10

21414第六章聚类分析 10

323126.1聚类分析的基本概念 10

160036.2Kmeans算法 11

44296.3层次聚类算法 11

89236.4密度聚类算法 12

16801第七章分类预测 12

223817.1分类算法概述 12

149407.2逻辑回归算法 13

298307.3随机森林算法 13

279907.4集成学习方法 13

23664第八章时间序列分析 13

215608.1时间序列的基本概念 13

267658.2时间序列的平稳性分析 14

60668.3时间序列预测方法 14

266908.4时间序列模型应用 15

13638第九章数据挖掘与机器学习 15

184459.1机器学习概述 15

165009.1.1机器学习的定义与发展 15

108789.1.2机器学习的基本流程 15

5939.2监督学习 16

189369.2.1分类问题 16

48139.2.2回归问题 16

290209.2.3监督学习算法的选择与评估 16

85039.3无监督学习 16

28199.3.1聚类算法 16

35129.3.2降维算法 16

1919.3.3异常检测算法 17

173789.4强化学习 17

155519.4.1强化学习的基本原理 17

16749.4.2强化学习算法 17

231589.4.3强化学习在数据挖掘中的应用 17

8058第十章互联网数据挖掘应用案例 17

2048510.1电商数据挖掘 17

1479410.1.1用户行为分析 17

2348310.1.2商品推荐 17

917710.1.3价格优化 17

783210.2社交网络数据挖掘 17

2413010.2.1用户画像 18

2150410.2.2情感分析 18

1824010.2.3社交网络营销 18

2253410.3金融数据挖掘 18

2824610.3.1风险控制 18

3095610.3.2信用评估 18

1492010.3.3贷款审批 18

1377510.4物联网数据挖掘 18

706110.4.1智能家居 18

2345610.4.2智能交通 18

617110.4.3环境监测 19

第一章数据挖掘与分析概述

1.1数据挖掘的定义与意义

数据挖掘（DataMining）是指从大量数据中通过算法和统计分析方法，挖掘出有价值的信息和知识的过程。它融合了数据库技术、人工智能、统计学、机器学习等多个领域的理论和方法。数据挖掘的核心目的是从海量、复杂的数据中提取潜在的、有价值的信息，为决策者提供科学依据。