大数据分析与挖掘指南.docVIP

大数据分析与挖掘指南

TOC\o1-2\h\u31319第1章大数据概述 4

22461.1大数据的发展历程 4

56511.2大数据的概念与特征 4

193471.3大数据的应用领域 5

15690第2章数据采集与预处理 5

292282.1数据源的选择与接入 5

131542.1.1数据源选择 5

57242.1.2数据接入 6

263782.2数据清洗与转换 6

327372.2.1数据清洗 6

280702.2.2数据转换 6

124542.3数据存储与管理 7

253912.3.1数据存储 7

142512.3.2数据管理 7

6622第3章数据分析方法与技术 7

103683.1描述性分析 7

82823.1.1频数分析与统计量计算 7

172093.1.2数据可视化 7

67303.1.3聚类分析 8

310333.2摸索性分析 8

16543.2.1相关性分析 8

75123.2.2主成分分析 8

99393.2.3异常值分析 8

169383.3因果关系分析 8

87653.3.1回归分析 8

80423.3.2决策树 8

298633.3.3生存分析 8

245353.4预测分析 9

107503.4.1时间序列分析 9

7873.4.2机器学习算法 9

2923.4.3模型评估与优化 9

6967第4章数据挖掘算法与应用 9

162864.1分类算法与应用 9

113174.1.1决策树算法 9

10154.1.2朴素贝叶斯算法 9

254234.1.3支持向量机算法 9

50864.1.4逻辑回归算法 9

202554.2聚类算法与应用 10

195894.2.1K均值聚类算法 10

176704.2.2层次聚类算法 10

201874.2.3密度聚类算法 10

181774.3关联规则挖掘算法与应用 10

37224.3.1Apriori算法 10

54284.3.2FPgrowth算法 10

250514.3.3Eclat算法 10

124514.4时间序列分析与应用 10

250874.4.1自回归移动平均模型（ARIMA） 10

2524.4.2季节性分解时间序列预测（SARIMA） 11

97984.4.3长短期记忆网络（LSTM） 11

7511第5章机器学习与深度学习 11

312985.1机器学习概述 11

308125.2监督学习 11

281475.2.1线性回归 11

292295.2.2逻辑回归 11

226415.2.3支持向量机 11

99865.2.4决策树 11

267895.2.5随机森林 12

182775.2.6梯度提升树 12

320225.3无监督学习 12

285135.3.1聚类 12

7265.3.2降维 12

235945.3.3关联规则挖掘 12

238185.4深度学习技术与应用 12

71735.4.1深度学习原理 12

86275.4.2深度学习网络结构 12

293095.4.3深度学习应用 13

7571第6章数据可视化与呈现 13

151396.1数据可视化基本概念 13

246796.1.1数据可视化的目的与意义 13

100956.1.2数据可视化的类型 13

235046.1.3数据可视化的设计原则 14

226456.2常见数据可视化工具 14

129566.2.1Tableau 14

70596.2.2PowerBI 14

8556.2.3ECharts 14

23726.2.4Matplotlib 14

41596.3大数据可视化案例解析 14

326916.3.1案例背景 14

307486.3.2数据来源 15

324556.3.3数据处理 15

37166.3.4可视化设计 15

22978第7章大数据应用案例分析 15

60377.1金融领域大数据分析 15

47797.1.1股票市场预测 15

26037.1.2信用风险评估 15

5650