第一部分 商務(wù)智能概念及過(guò)程
第1章 商務(wù)智能概述
1．1 商務(wù)智能的基本概念
1．1．1 數(shù)據(jù)
1．1．2 信息和知識(shí)
1．2 商務(wù)智能的系統(tǒng)構(gòu)成
1．3 商務(wù)智能的發(fā)展歷史
練習(xí)題1
第2章 商務(wù)智能過(guò)程
2．1 商務(wù)智能系統(tǒng)的開(kāi)發(fā)方法
2．1．1 商務(wù)智能系統(tǒng)的開(kāi)發(fā)過(guò)程
2．1．2 商務(wù)智能系統(tǒng)成功的關(guān)鍵因素
2．2 數(shù)據(jù)倉(cāng)庫(kù)與數(shù)據(jù)庫(kù)
2．3 聯(lián)機(jī)事務(wù)處理與聯(lián)機(jī)分析處理
2．4 商務(wù)智能與決策支持系統(tǒng)
練習(xí)題2
第二部分 商務(wù)智能方法
第3章 關(guān)聯(lián)分析
3．1 頻繁模式與關(guān)聯(lián)規(guī)則
3．2 頻繁項(xiàng)集的典型挖掘方法
3．2．1 逐層發(fā)現(xiàn)算法Apriori
3．2．2 無(wú)候選集發(fā)現(xiàn)算法FP-Growth
3．3 關(guān)聯(lián)規(guī)則的生成方法
3．4 關(guān)聯(lián)規(guī)則的其他類(lèi)型
3．4．1 多層次關(guān)聯(lián)規(guī)則
3．4．2 負(fù)模式
3．4．3 結(jié)構(gòu)化數(shù)據(jù)中的關(guān)聯(lián)分析
3．5 關(guān)聯(lián)規(guī)則的興趣度的其他度量
練習(xí)題3
第4章 分類(lèi)
4．1 分類(lèi)的概念
4．2 決策樹(shù)分類(lèi)方法
4．2．1 決策樹(shù)的構(gòu)建過(guò)程
4．2．2 屬性的類(lèi)型及分裂條件
4．2．3 決策樹(shù)的剪枝
4．3 樸素貝葉斯分類(lèi)
4．4 K近鄰分類(lèi)
4．5 邏輯回歸
4．6 支持向量機(jī)
4．6．1 線性可分
4．6．2 線性不可分
4．6．3 軟間隔支持向量機(jī)
4．7 分類(lèi)性能的度量方法
4．7．1 測(cè)試數(shù)據(jù)集的構(gòu)造
4．7．2 分類(lèi)性能的度量指標(biāo)
4．7．3 不同分類(lèi)模型的比較
練習(xí)題4
第5章 數(shù)值預(yù)測(cè)
5．1 數(shù)值預(yù)測(cè)的概念
5．2 回歸方法
5．2．1 一元線性回歸
5．2．2 多元線性回歸
5．2．3 非線性回歸
5．3 回歸樹(shù)與模型樹(shù)
5．3．1 模型樹(shù)的構(gòu)建
5．3．2 模型樹(shù)的剪枝
5．3．3 算法
5．4 K近鄰數(shù)值預(yù)測(cè)
5．5 預(yù)測(cè)誤差的度量
練習(xí)題5
第6章 聚類(lèi)
6．1 概述
6．1．1 聚類(lèi)的概念
6．1．2 聚類(lèi)方法分類(lèi)
6．2 相似度衡量方法
6．2．1 數(shù)據(jù)類(lèi)型
6．2．2 基于內(nèi)容的相似度衡量
6．2．3 基于鏈接的相似度衡量
6．3 K均值方法
6．4 層次聚類(lèi)方法
6．5 DBSCAN算法
6．6 聚類(lèi)效果衡量方法
練習(xí)題6
第7章 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)
7．1 多層感知機(jī)
7．1．1 多層感知機(jī)的模型結(jié)構(gòu)
7．1．2 多層感知機(jī)模型的訓(xùn)練
7．1．3 正則化
7．2 卷積神經(jīng)網(wǎng)絡(luò)
7．2．1 卷積
7．2．2 池化
7．2．3 經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)
7．3 循環(huán)神經(jīng)網(wǎng)絡(luò)
7．3．1 循環(huán)神經(jīng)網(wǎng)絡(luò)基本模型
7．3．2 長(zhǎng)短期記憶網(wǎng)絡(luò)模型
7．3．3 門(mén)控循環(huán)單元模型
7．4 深度神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化
7．4．1 小批量隨機(jī)梯度
7．4．2 動(dòng)量梯度下降
7．4．3 AdaGrad
7．4．4 RMSProp
7．4．5 Adam
7．4．6 學(xué)習(xí)率衰減
練習(xí)題7
第三部分 商務(wù)智能基礎(chǔ)技術(shù)
第8章 數(shù)據(jù)預(yù)處理
8．1 數(shù)據(jù)預(yù)處理的原因和任務(wù)
8．2 數(shù)據(jù)規(guī)范化
8．3 數(shù)據(jù)高散化
8．3．1 分箱離散化
8．3．2 基于熵的離散化
8．3．3 離散化方法ChiMerge
8．4 數(shù)據(jù)清洗
8．5 特征選擇與特征提取
8．5．1 特征選擇
8．5．2 特征提取
練習(xí)題8
第9章 文本數(shù)據(jù)處理
9．1 詞向量模型
9．2 主題模型
練習(xí)題9
第10章 數(shù)據(jù)倉(cāng)庫(kù)
10．1 數(shù)據(jù)倉(cāng)庫(kù)的基本概念
10．2 數(shù)據(jù)倉(cāng)庫(kù)的體系結(jié)構(gòu)
10．3 多維數(shù)據(jù)模型
10．3．1 多維數(shù)據(jù)模型的概念
10．3．2 多維數(shù)據(jù)模型的構(gòu)建方法
10．4 數(shù)據(jù)倉(cāng)庫(kù)項(xiàng)目的開(kāi)發(fā)
10．4．1 數(shù)據(jù)倉(cāng)庫(kù)開(kāi)發(fā)模式
10．4．2 數(shù)據(jù)倉(cāng)庫(kù)開(kāi)發(fā)過(guò)程
練習(xí)題10
第11章 聯(lián)機(jī)分析處理
11．1 聯(lián)機(jī)分析處理簡(jiǎn)介
11．2 多維數(shù)據(jù)模型中的層次設(shè)計(jì)
11．3 立方體的定義和計(jì)算
11．4 OLAP的多維數(shù)據(jù)分析
練習(xí)題11
第12章 商務(wù)智能可視化
12．1 商務(wù)智能可視化的類(lèi)型
12．2 數(shù)據(jù)可視化
12．3 過(guò)程和結(jié)果可視化
12．4 積分卡和儀表盤(pán)
練習(xí)題12
第四部分 商務(wù)智能應(yīng)用系統(tǒng)
第13章 商務(wù)智能應(yīng)用
13．1 商務(wù)智能應(yīng)用領(lǐng)域
13．1．1 關(guān)系營(yíng)銷(xiāo)
13．1．2 生產(chǎn)管理
13．2 推薦系統(tǒng)
13．2．1 基于用戶的協(xié)同過(guò)濾
13．2．2 基于物品的協(xié)同過(guò)濾
13．2．3 矩陣分解
13．2．4 基于內(nèi)容的推薦方法
13．3 意見(jiàn)挖掘
13．3．1 特征和意見(jiàn)的抽取
13．3．2 意見(jiàn)極性判斷
練習(xí)題13
第14章 商務(wù)智能軟件系統(tǒng)
14．1 概述
14．1．1 商品化的商務(wù)智能系統(tǒng)
14．1．2 開(kāi)源的商務(wù)智能軟件
14．2 Weka
14．2．1 數(shù)據(jù)文件
14．2．2 數(shù)據(jù)預(yù)處理
14．2．3 關(guān)聯(lián)分析
14．2．4 分類(lèi)
14．2．5 數(shù)據(jù)規(guī)范化與聚類(lèi)
14．2．6 回歸分析
14．2．7 特征提取
14．3 RapidMiner
14．3．1 RapidMiner的安裝
14．3．2 結(jié)構(gòu)化數(shù)據(jù)預(yù)處理
14．3．3 文本數(shù)據(jù)預(yù)處理
14．3．4 頻繁項(xiàng)集和關(guān)聯(lián)規(guī)則的挖掘
14．3．5 序列模式的挖掘
14．3．6 分類(lèi)
14．3．7 聚類(lèi)
14．3．8 推薦系統(tǒng)
練習(xí)題14
第五部分 商務(wù)智能深度應(yīng)用與發(fā)展
第15章 復(fù)雜數(shù)據(jù)的商務(wù)智能分析方法
15．1 序列模式挖掘
15．1．1 序列模式的定義
15．1．2 序列模式挖掘算法
15．2 社會(huì)網(wǎng)絡(luò)分析
15．2．1 中心度分析
15．2．2 鏈接分析
15．3 數(shù)據(jù)流數(shù)據(jù)挖掘
15．4 多關(guān)系數(shù)據(jù)挖掘
練習(xí)題15
第16章 商務(wù)智能的社會(huì)影響與發(fā)展
16．1 商務(wù)智能中的隱私保護(hù)
16．2 移動(dòng)商務(wù)智能
16．3 云商務(wù)智能
練習(xí)題16
參考文獻(xiàn)