第1章數(shù)據(jù)挖掘知識介紹
11數(shù)據(jù)挖掘算法簡介
111分類
112聚類
113關(guān)聯(lián)
114預(yù)測
12分類模型的相關(guān)概念
121數(shù)據(jù)說明
122混淆矩陣
123ROC曲線和AUC面積
124提升（Lift）
125KS曲線
13數(shù)據(jù)挖掘過程中關(guān)鍵問題處理
131數(shù)據(jù)準(zhǔn)備
132定義變量及數(shù)據(jù)抽樣
133變量選擇
134缺失值處理
135模型比較
14SAS STAT介紹

第2章Kaggle數(shù)據(jù)科學(xué)社區(qū)調(diào)查分析
21描述性統(tǒng)計分析的主要內(nèi)容
211數(shù)據(jù)的頻數(shù)分析
212數(shù)據(jù)的集中趨勢分析
213數(shù)據(jù)的離散程度分析
214數(shù)據(jù)的分布
215繪制統(tǒng)計圖
22SAS描述性分析過程介紹
221PROC FREQ過程
222PROC MEANS過程
223PROC UNIVARIATE過程
23調(diào)查數(shù)據(jù)說明
24數(shù)據(jù)探索
25Kaggle社區(qū)用戶畫像分析
251人員屬性
252工作屬性
253技能屬性
254學(xué)習(xí)屬性

第3章考察汽車耗油量與里程數(shù)的關(guān)系
31項目背景
32非線性回歸簡介
33非線性回歸過程說明
34廣義線性模型過程
35數(shù)據(jù)文件說明
36數(shù)據(jù)探索
37模型建立
38結(jié)果分析

第4章影響汽車銷售的關(guān)鍵因子分析
41數(shù)據(jù)說明
42因子分析的基本原理
421因子分析模型
422因子旋轉(zhuǎn)
423計算因子得分
43因子分析的步驟和SAS過程
431因子分析的步驟
432FACTOR過程說明
44模型開發(fā)及結(jié)果解釋
45主成分分析和因子分析的區(qū)別

第5章健身運動中耗氧量回歸分析
51線性回歸模型
52REG過程
521過程選項
522MODEL語句選項
523關(guān)鍵字選項
524PLOT語句選項
53數(shù)據(jù)說明
54相關(guān)性分析
55回歸分析
56逐步回歸
561逐步回歸過程
562利用逐步回歸選擇變量

第6章旅客量預(yù)測分析
61項目背景
62數(shù)據(jù)文件說明
63平穩(wěn)隨機過程概述
631自回歸模型
632滑動平均模型
633自回歸滑動平均模型
64ARMA模型的識別
641基于相關(guān)函數(shù)的定階方法
642利用信息準(zhǔn)則法定階
65模型參數(shù)的估計
66時間序列的分析步驟
67SAS系統(tǒng)的ARIMA過程
671ARIMA語句選項
672IDENTIFY語句選項
673ESTIMATE語句選項
674FORECAST語句選項
675ARIMA建模過程
68數(shù)據(jù)探索
681平穩(wěn)性檢驗
682序列變換
69自相關(guān)函數(shù)檢驗
610模型參數(shù)估計
611預(yù)測

第7章客戶群分類判別分析
71業(yè)務(wù)背景及數(shù)據(jù)說明
72判別分析的數(shù)學(xué)原理
73判別分析的SAS過程
731DISCRIM過程
732CANDISC過程
733STEPDISC過程
74數(shù)據(jù)探索
75客戶群判別模型建立
76模型應(yīng)用

第8章銷售公司的客戶分群分析
81項目背景
811客戶細(xì)分的概念
812客戶細(xì)分模型
813客戶細(xì)分模型的基本流程
814細(xì)分方法介紹
82聚類分析的數(shù)學(xué)原理
821聚類的數(shù)學(xué)原理
822距離和相似距離
823聚類方法
824聚類數(shù)的確定
825聚類分析步驟
83SAS中的聚類過程
831Cluster系統(tǒng)聚類過程
832Fastclus快速聚類過程
833Varclus方差聚類過程
834Tree聚類樹型輸出過程
84數(shù)據(jù)文件說明
85數(shù)據(jù)探索
851變量衍生
852變量標(biāo)準(zhǔn)化
853變量相關(guān)性分析
86模型建立
87客戶畫像分析
88模型應(yīng)用

第9章員工離職預(yù)測
91項目背景
92數(shù)據(jù)說明
93數(shù)據(jù)探索
94數(shù)據(jù)建模
941變量相關(guān)分析
942決策樹建模
95模型評估與應(yīng)用

第10章廣告點擊率預(yù)測
101業(yè)務(wù)背景
1011網(wǎng)絡(luò)廣告發(fā)展情況
1012計算廣告學(xué)
102數(shù)據(jù)說明
103數(shù)據(jù)不平衡的處理方式
1031收集更多的數(shù)據(jù)
1032改變模型性能評價指標(biāo)
1033重新對樣本進行采樣
104模型開發(fā)與評估
1041樣本欠抽樣
1042模型開發(fā)
1043模型評估
105CTR模型的發(fā)展脈絡(luò)

第11章產(chǎn)品精準(zhǔn)營銷推薦
111項目背景
1111業(yè)務(wù)背景
1112數(shù)據(jù)說明
1113項目目標(biāo)
112數(shù)據(jù)探索
1121變量描述性統(tǒng)計分析
1122變量缺失值處理
1123變量衍生處理
113模型建設(shè)
1131欠抽樣
1132數(shù)據(jù)集分割
1133模型開發(fā)
1134模型評估
114模型應(yīng)用
1141產(chǎn)品自動化推薦系統(tǒng)
1142易受到市場環(huán)境等各種因素的影響
1143人群特征漂移需要不斷優(yōu)化模型

第12章通信客戶流失預(yù)警模型
121項目背景
1211客戶流失分析要解決的問題
1212分析客戶流失的類型
1213如何進行客戶流失分析
122數(shù)據(jù)說明
123因變量定義
124樣本抽取
125數(shù)據(jù)探索
126模型開發(fā)
1261變量衍生
1262變量選擇
1263相關(guān)性處理
1264模型結(jié)果
127模型評估
1271開發(fā)樣本上的模型性能
1272驗證樣本上的模型性能
128模型應(yīng)用

第13章銀行貸款用戶風(fēng)險分析
131案例背景
132因變量定義
133樣本抽取
134數(shù)據(jù)探索
1341為什么要進行數(shù)據(jù)探索
1342數(shù)據(jù)分布情況
135模型建設(shè)
1351變量衍生
1352變量選擇
1353共線性處理
1354模型結(jié)果
136模型性能評估
1361開發(fā)樣本上的模型性能
1362驗證樣本上的模型性能
137模型應(yīng)用

第14章信用風(fēng)險評分卡開發(fā)
141信用評分模型簡介
142信用卡模型的開發(fā)過程
143案例背景及項目目標(biāo)確定
1431項目背景說明
1432確定項目目標(biāo)
144數(shù)據(jù)獲取
145數(shù)據(jù)質(zhì)量檢驗
146項目參數(shù)設(shè)定
1461排除規(guī)則確定
1462表現(xiàn)和觀察窗口
1463確定“壞”的定義
1464滾動率分析
1465客戶分群
147數(shù)據(jù)探索
1471數(shù)據(jù)分布分析
1472缺失值的處理
1473極端值的處理
148模型開發(fā)
1481證據(jù)權(quán)重（WOE）
1482信息值（IV）
1483變量選擇
1484變量分組
1485變量相關(guān)性分析
1486模型迭代開發(fā)
149模型評估
1491混淆矩陣
1492KS統(tǒng)計量
1493ROC曲線
1410評分卡創(chuàng)建
14101評分尺度變換
14102變量分值分配
1411評分卡實施
1412監(jiān)測與報告
1413拒絕推斷
1414運用評分卡需要注意的事項

第15章信用卡反欺詐預(yù)測模型
151信用卡欺詐概述
1511信用卡欺詐的種類
1512智能反欺詐管理
1513其他反欺詐技術(shù)
152案例背景
153數(shù)據(jù)探索
154模型開發(fā)
1541不使用分層抽樣策略
1542使用分層抽樣策略
155總結(jié)

第16章SAS數(shù)據(jù)清洗技術(shù)
161數(shù)據(jù)清洗簡介
1611數(shù)據(jù)清洗
1612數(shù)據(jù)探索
162數(shù)據(jù)導(dǎo)入
1621讀入數(shù)據(jù)到SAS系統(tǒng)的方法
1622指定數(shù)據(jù)文件的位置
1623讀入由空格分隔的原始數(shù)據(jù)
1624讀入列對齊的原始數(shù)據(jù)
1625讀入非標(biāo)準(zhǔn)格式的數(shù)據(jù)
1626讀入一個觀測占據(jù)多行的數(shù)據(jù)文件
1627讀入原數(shù)據(jù)文件的一部分
1628IMPORT過程讀入分隔數(shù)據(jù)文件
163數(shù)據(jù)格式處理
164SAS函數(shù)
1641字符函數(shù)
1642數(shù)值函數(shù)
165缺失值處理
166數(shù)據(jù)抽樣
1661等比例分層抽樣
1662不等比例分層抽樣
1663分層抽樣