English Japanese Korean Thai Traditional Chinese 简体中文
Publish Now
Publish Books Publish Media Products My Store Self Publish
Gold Log In Cart
Category
Browse all kinds of eBooks, magazines, videos by category
    More services
    • All You Can Read

    • Channels

    • Hot topics

    Language
    English Japanese Korean Thai Traditional Chinese 简体中文
    Back
    Category
    • Home

    • Books

    • Pubook E-Ink reader

    • Magazines

    • Media

    • Newspapers

    • Adult

    Back
    Books
    • All

    • Free to read

    • Finance

      Finance
      • All

      • Management

      • Investing

      • Marketing

    • Literature/Fiction

      Literature/Fiction
      • All

      • LGBTQ

      • Literature

      • Fiction

      • Romantic Fiction

    • Leisure Life

      Leisure Life
      • All

      • Recreation

      • Illustrated Book

      • Fortune Telling

      • Travel

      • Eating Habits

      • Fitness

    • Humanities

      Humanities
      • All

      • History/Geography

      • Law

      • Politics/Military

      • Applied Sciences

      • Natural Sciences

      • Philosophy

      • Biographies

      • Sociology

    • News/Entertainment

    • Language/Computers

      Language/Computers
      • All

      • Computers/Technology

      • Language

    • Religion/Spirituality

      Religion/Spirituality
      • All

      • Motivational

      • Health/Nutrition

      • Christianity

      • Buddhism

      • Taoism

      • Islam

      • Other Religions

      • Relationships

    • Mangas

      Mangas
      • All

      • Comics

      • Illustrations

      • Fan Works

      • Romance Mangas for Teens

      • Teenage Mangas

      • High School Mangas

      • Romance Mangas

      • Yaoi Mangas

      • GL Mangas

      • TL Mangas

      • Gay Mangas

      • Others

    • Art/Design

      Art/Design
      • All

      • Performance Art

      • Art

      • Design

      • Photography

    • Parenting/Relationships

      Parenting/Relationships
      • All

      • Education

      • Kids/Teenagers

      • Pregnancy/Childbirth

    • Exams

      Exams
      • All

      • Study

      • Government Exams

      • Financial Licenses

      • Teacher Exams

      • Professional Exams

      • TOEFL/TOEIC

      • Learning Skills

      • Official Publications

      • Job Hunting Exams

    • Photo Books

      Photo Books
      • All

      • Female Photo Books

      • Male Photo Books

    Back
    Magazines
    • All

    • Free to read

    • Finance

      Finance
      • All

      • Business Management

      • Investing

      • Direct Marketing

      • Advertising

      • Law

    • News/Entertainment

      News/Entertainment
      • All

      • News Analysis

      • General News

      • Stars

    • Leisure Life

      Leisure Life
      • All

      • Travel

      • Hobby

      • Family Life

      • Fitness

    • Art/Design

      Art/Design
      • All

      • Design

      • Art Appreciation

      • Decoration

      • Photography

    • Literature/Spirituality

      Literature/Spirituality
      • All

      • Literature

      • Christianity

      • Buddhism

    • Male Fashion

      Male Fashion
      • All

      • Fashion

    • Female Fashion

      Female Fashion
      • All

      • Urban Fashion

      • Teen Fashion

    • Car/Audio

      Car/Audio
      • All

      • Music/Audio

      • Cars/Motorbikes

    • Sports

      Sports
      • All

      • Basketball

      • Baseball

      • Outdoor Sports

    • Language/Computers

      Language/Computers
      • All

      • Computers/Technology

      • Natural Sciences

      • Language

    • Parenting/Relationships

      Parenting/Relationships
      • All

      • Pregnancy/Childbirth

      • Education

      • Books for Kids

      • Books for Teenagers

    • Photo Books

      Photo Books
      • All

      • Female Photo Books

      • Male Photo Books

    Back
    Media
    • All

    • Free to read

    • Careers

    • Careers
      • All

    • Investing

    • Investing
      • All

    • Parenting/Relationships

    • Parenting/Relationships
      • All

    • Art/Culture

    • Art/Culture
      • All

    • Religion/Spirituality

    • Religion/Spirituality
      • All

      • Buddhism

      • Christianity

      • Motivational

    • Exams

    • Exams
      • All

      • Government Exams

      • Learning Skills

      • Professional Exams

      • Teacher Exams

      • Study

      • Financial Licenses

    • Language

    • Language
      • All

    • Leisure Life

    • Leisure Life
      • All

    • Literature/Fiction

    • Literature/Fiction
      • All

    Back
    Newspapers
    • All

    • 工商時報

    • 中國時報

    • 旺報

    • 联合日報

    • 光華日報

    Back
    Adult
    • Free to read

    • Gay

    • Nude male

    • Lesbian

    • Nude female

    • Adult Manga

    Finance
    • All

    • Management

    • Investing

    • Marketing

    Literature/Fiction
    • All

    • LGBTQ

    • Literature

    • Fiction

    • Romantic Fiction

    Leisure Life
    • All

    • Recreation

    • Illustrated Book

    • Fortune Telling

    • Travel

    • Eating Habits

    • Fitness

    Humanities
    • All

    • History/Geography

    • Law

    • Politics/Military

    • Applied Sciences

    • Natural Sciences

    • Philosophy

    • Biographies

    • Sociology

    News/Entertainment
    • All

    Language/Computers
    • All

    • Computers/Technology

    • Language

    Religion/Spirituality
    • All

    • Motivational

    • Health/Nutrition

    • Christianity

    • Buddhism

    • Taoism

    • Islam

    • Other Religions

    • Relationships

    Mangas
    • All

    • Comics

    • Illustrations

    • Fan Works

    • Romance Mangas for Teens

    • Teenage Mangas

    • High School Mangas

    • Romance Mangas

    • Yaoi Mangas

    • GL Mangas

    • TL Mangas

    • Gay Mangas

    • Others

    Art/Design
    • All

    • Performance Art

    • Art

    • Design

    • Photography

    Parenting/Relationships
    • All

    • Education

    • Kids/Teenagers

    • Pregnancy/Childbirth

    Exams
    • All

    • Study

    • Government Exams

    • Financial Licenses

    • Teacher Exams

    • Professional Exams

    • TOEFL/TOEIC

    • Learning Skills

    • Official Publications

    • Job Hunting Exams

    Photo Books
    • All

    • Female Photo Books

    • Male Photo Books

    Back
    Finance
    • All

    • Business Management

    • Investing

    • Direct Marketing

    • Advertising

    • Law

    Back
    News/Entertainment
    • All

    • News Analysis

    • General News

    • Stars

    Back
    Leisure Life
    • All

    • Travel

    • Hobby

    • Family Life

    • Fitness

    Back
    Art/Design
    • All

    • Design

    • Art Appreciation

    • Decoration

    • Photography

    Back
    Literature/Spirituality
    • All

    • Literature

    • Christianity

    • Buddhism

    Back
    Male Fashion
    • All

    • Fashion

    Back
    Female Fashion
    • All

    • Urban Fashion

    • Teen Fashion

    Back
    Car/Audio
    • All

    • Music/Audio

    • Cars/Motorbikes

    Back
    Sports
    • All

    • Basketball

    • Baseball

    • Outdoor Sports

    Back
    Language/Computers
    • All

    • Computers/Technology

    • Natural Sciences

    • Language

    Back
    Parenting/Relationships
    • All

    • Pregnancy/Childbirth

    • Education

    • Books for Kids

    • Books for Teenagers

    Back
    Photo Books
    • All

    • Female Photo Books

    • Male Photo Books

    Back
    Channels
    • 今周刊

    • 飽讀商周

    • 經理人

    • 大師輕鬆讀

    • 普洛達康

    • 禾馬

    • 台灣武俠傳說

    You haven't completed email verification, please complete email verification to purchase DRM Free or magazine subscription products
    You haven't completed phone verification, please complete phone verification to enable publishing features
    You haven't completed email verification, please complete email verification to enable publishing features
    • Home

    • Favorite

    • Account

    • Gold

    • Library

    More
    1. Home
    2. Books
    3. Humanities
    4. Applied Sciences
    5. Information Engineering
    6. 大數據X資料探勘X智慧營運

    大數據X資料探勘X智慧營運

    Author 梁棟,張兆靜,彭木根
    Publisher 崧博出版 /崧燁文化
    Follow Save Saved Share
    Released
    2020/08/26
    Language
    Traditional Chinese
    File format
    PDF (52MB), fit in large screen and Pubook
    Pages
    440
    ID
    222800
    ISBN
    9789577359926
    Provide Adobe DRM
    Provide PDF
    Offer DRM free license
    No

    Buy products firstAnd download app to watch

    Details

    大數據X資料探勘X智慧營運

    Author 梁棟、張兆靜、彭木根
    Publisher 崧燁文化
    Share
    Released
    2020/08/28
    Language
    Traditional Chinese
    Pages
    429
    ID
    545010
    ISBN
    9789577359926
    DRM
    NT$455
    紙本書
    NT$585
    Explanation
    eBook
    Printed book
    Standard NT$650
    Get NT$68 off
    查看適用禮券
    Buy

    Preview View

    Buy for others
    庫存 0
    • Intro

    • Chapters

    • Author

    【想深入了解大數據、資料探勘的讀者請進!!】

    什麼是資料前處理?
    電信業者跟資料探勘有什麼關係?
    神經網路具體到底是什麼?
    集群分析的演算法有哪些?

    ◎資料探勘的「十大經典演算法」你都認識嗎?
      國際權威的學術組織the IEEE International Conference on Data Mining (ICDM)評出了資料探勘領域的十大經典演算法:C4.5、K-Means、SVM、Apriori、EM、PageRank、AdaBoost、KNN、Naive Bayes和CART。

    1.C4.5演算法
      C4.5是一種用在機器學習和資料探勘領域的分類問題中的演算法。它基於以下假設:給定一個資料集,其中的每一個元組都能用一組屬性值來描述,每一個元組屬於一個互斥的類別中的某一類。C4.5的目標是透過學習,找到一個從屬性值到類別的映射關係,並且這個映射能用於對新的類別未知的實體進行分類。

    2.The K-Means Algorithm (K-Means演算法)
      K-MeansAlgorithm是一種聚類演算法,它把n個對象根據他們的屬性分為k個分割,kn。它與處理混合正態分布的最大期望演算法很相似,因為他們都試圖找到數據中自然聚類的中心。它假設對象屬性來自空間向量,並且目標是使各個群組內部的均方誤差總和最小。它是一種無監督學習的演算法。

    ◎結構化/半結構化/非結構化資料有什麼不同?
      (一)結構化資料:能夠用數據或統一的結構加以表示的資料,如數字、符號。傳統的關係資料模型,儲存於資料庫,通常可用二維表結構表示。
      (二)非結構化資料:是指其欄位長度可變,並且每個欄位的記錄又可以由可重複或不可重複的子欄位構成的資料庫,用它不僅可以處理結構化資料(如數字、符號等資訊)而且更適合處理非結構化資料(全文文字、圖像、聲音、影視、超媒體等資訊)。
      (三)半結構化資料: XML、HTML文檔就屬於半結構化資料。它一般是自描述的,資料結構和內容混在一起,沒有明顯的區分。

    ◎如何設計神經網路的拓撲結構?
      在開始訓練之前,用戶必須確定網路拓撲,說明輸入層的單元數、隱藏層數(如果多於一層)、每個隱藏層的單元數和輸出層的單元數。

      對訓練元組中每個屬性的輸入測量值進行規範化將有助於加快學習過程。通常,對輸入值規範化,使得它們落入0.0和1.0之間。離散值屬性可以重新編碼,使得每個域值有一個輸入單元。例如,如果屬性A有3個可能的或已知的值{a0,a1,a2}則可以分配三個輸入單元表示A,即我們可以用I0,I1,I2作為輸入單元。每個單元都初始化為0。如果A=a0,則I0置為1,其餘為0;如果A=a1,則I1置1,其餘為0;諸如此類。

      神經網路可以用於分類(預測給定元組的類標號)和數值預測(預測連續值輸出)。對於分類,一個輸出單元可以用來表示兩個類(其中值1代表一個類,而值0代表另一個類)。如果多於兩個類,則每個類使用一個輸出單元。

    ★全書特色
      全書分為九章,內容包括:大資料探勘與智慧營運的概念,資料前處理,資料探勘中的四種主流演算法:集群分析、分類分析、迴歸分析、關聯分析,增強型資料探勘演算法,資料探勘在營運商智慧營運中的應用案例,未來大資料探勘的發展趨勢等。主要提供給電信業者及其他高科技企業員工、大專院校學生和研究生,以及其他對資料探勘與精準行銷感興趣的讀者。
    More
    More
    內容簡介
    前言
    第1章 大數據、資料探勘與智慧營運綜述
    1.1 資料探勘的發展史
    1.1.1 資料探勘的定義與起源
    1.1.2 資料探勘的早期發展
    1.1.3 資料探勘的演算法前傳
    1.1.4 資料探勘的第一個里程碑
    1.1.5 最近十年的發展與應用
    1.2 資料探勘的主要流程與金字塔模型
    1.2.1 資料探勘的任務
    1.2.2 資料探勘的基本步驟
    1.2.3 資料探勘的架構——雲端運算
    1.2.4 「金字塔」模型
    1.3 資料探勘對智慧營運的意義
    1.3.1 「互聯網+」時代的來臨及其對營運商的衝擊和挑戰
    1.3.2 大數據時代的來臨及其對營運商的挑戰和機遇
    1.3.3 電信業者營運發展面臨的主要瓶頸
    1.3.4 電信業者發展的「三條曲線」
    1.3.5 智慧營運與大數據變現
    1.3.6 資料探勘對於提升智慧營運效率的意義
    1.4 大數據時代已經來臨
    1.4.1 大數據的定義
    1.4.2 大數據的「4V」特徵
    1.4.3 結構化資料與非結構化資料
    1.5 非結構化資料探勘的研究進展
    1.5.1 文字探勘
    1.5.2 模式識別
    1.5.2.1 模式識別概述
    1.5.2.2 模式識別方法
    1.5.2.3 模式識別的應用
    1.5.3 語音辨識
    1.5.3.1 語音辨識技術的發展
    1.5.3.2 語音辨識基礎
    1.5.3.3 語音辨識基本原理
    1.5.3.4 聲學建模方法
    1.5.3.5 語音辨識的應用
    1.5.4 影片識別
    1.5.4.1 影片分析方法概述
    1.5.4.2 基於深度學習的影片技術
    1.5.4.3 結語
    1.5.5 其他非結構化資料探勘
    1.5.5.1 Web資料探勘
    1.5.5.2 空間群資料探勘
    1.6 資料探勘與機器學習、深度學習、人工智慧及雲端運算
    1.6.1 機器學習
    1.6.2 深度學習
    1.6.3 人工智慧
    1.6.4 雲端運算
    1.7 現有資料探勘的主要分析軟體與系統
    1.7.1 Hadoop
    1.7.2 Storm
    1.7.3 Spark
    1.7.4 SPASS(SPSS)
    1.7.5 SAS
    參考文獻
    第2章 數據統計與資料前處理
    2.1 資料屬性類型
    2.1.1 資料屬性定義
    2.1.2 離散屬性
    2.1.3 連續屬性
    2.2 數據的統計特性
    2.2.1 中心趨勢度量
    2.2.2 數據散布度量
    2.2.2.1 等分位數
    2.2.2.2 均值
    2.2.2.3 變異數與標準差
    2.2.2.4 高階統計特性
    2.2.3 數據相關性
    2.2.3.1 卡方相關性
    2.2.3.2 雙變數相關
    2.2.3.3 偏相關
    2.3 資料前處理
    2.3.1 資料前處理概述
    2.3.2 資料前處理的主要任務
    2.3.3 資料淨化
    2.3.3.1 缺失值
    2.3.3.2 雜訊資料
    2.3.4 資料整合
    2.3.4.1 資料冗餘
    2.3.4.2 重複元組
    2.3.5 資料縮減
    2.3.5.1 主成分分析
    2.3.5.2 小波變換
    2.3.5.3 屬性子集選擇
    2.3.6 資料變換和離散化
    2.3.6.1 資料正規化/標準化的主要方法
    2.3.6.2 資料離散化的主要方法
    2.4 資料欄位的衍生
    2.4.1 資料欄位的拆分
    2.4.2 統計特徵的構造
    2.4.3 資料區的變換
    2.5 SPSS軟體中的資料前處理案例
    2.5.1 缺失值的實際處理
    2.5.2 雜訊資料的實際處理
    2.5.3 主成分分析的實際處理
    參考文獻
    第3章 集群分析
    3.1 概述
    3.2 聚類演算法的評估
    3.3 基於劃分的聚類:K-means
    3.3.1 基於劃分的聚類演算法概述
    3.3.2 K-means聚類演算法原理
    3.3.3 K-means演算法的優勢與劣勢
    3.3.4 K-means演算法優化
    3.3.5 SPSS軟體中的K-means演算法應用案例
    3.4 基於層次化的聚類:BIRCH
    3.4.1 基於層次化的聚類演算法概述
    3.4.2 BIRCH演算法的基本原理
    3.4.3 BIRCH演算法的優勢與劣勢
    3.5 基於密度的聚類:DBSCAN
    3.5.1 基於密度的聚類演算法概述
    3.5.2 DBSCAN演算法的基本原理
    3.5.3 DBSCAN演算法的優勢與劣勢
    3.6 基於網格的聚類:CLIQUE
    3.6.1 基於網格的聚類演算法概述
    3.6.2 CLIQUE演算法的基本原理
    3.6.3 CLIQUE演算法的優勢與劣勢
    參考文獻
    第4章 分類分析
    4.1 分類分析概述
    4.2 分類分析的評估
    4.3 決策樹分析
    4.3.1 決策樹演算法的基本原理
    4.3.2 CHAID決策樹
    4.3.2.1 CHAID演算法簡介
    4.3.2.2 CHAID演算法原理
    4.3.2.3 CHIAD演算法實例分析
    4.3.3 ID3決策樹
    4.3.3.1 ID3演算法原理
    4.3.3.2 熵和資訊增益
    4.3.3.3 ID3演算法偽程式碼
    4.3.3.4 ID3演算法的特點
    4.3.3.5 ID3演算法的案例分析
    4.3.4 C4.5決策樹
    4.3.4.1 C4.5演算法原理
    4.3.4.2 C4.5演算法的偽程式碼
    4.3.4.3 C4.5演算法的特點
    4.3.4.4 C4.5演算法案例分析
    4.3.5 CART決策樹
    4.3.5.1 CART決策樹原理介紹
    4.3.5.2 Gini係數
    4.3.5.3 使用基尼係數進行決策樹分析案例
    4.3.6 決策樹中的剪枝問題
    4.3.7 決策樹在SPSS中的應用
    4.4 最近鄰分析(KNN)
    4.4.1 KNN演算法的基本原理
    4.4.2 KNN演算法流程
    4.4.3 KNN演算法的若干問題
    4.4.4 KNN分類器的特徵
    4.4.5 KNN演算法在SPSS中的應用
    4.4.5.1 用KNN演算法預測用戶是否流失
    4.4.5.2 用KNN演算法填充缺失值
    4.5 貝氏分析
    4.5.1 貝氏定理
    4.5.2 單純貝氏分類
    4.5.2.1 條件獨立性
    4.5.2.2 單純貝氏分類的工作過程
    4.5.2.3 單純貝氏分類的特徵
    4.5.2.4 單純貝氏分類實例分析
    4.5.3 貝氏網路
    4.5.3.1 貝氏網路原理
    4.5.3.2 模型表示
    4.5.3.3 貝氏網路實例分析
    4.5.3.4 BBN的特點
    4.6 神經網路
    4.6.1 感知器
    4.6.2 多重人工神經網路
    4.6.2.1 多重人工神經網路介紹
    4.6.2.2 多層前饋神經網路
    4.6.2.3 定義網路拓撲
    4.6.3 人工神經網路的特點
    4.7 支援向量機
    4.7.1 支援向量機簡介
    4.7.2 最大邊緣超平面
    4.7.3 數據線性可分的情況
    4.7.4 數據非線性可分的情況
    4.7.5 支援向量機的特徵
    參考文獻
    第5章 迴歸分析
    5.1 迴歸分析概述
    5.2 一元線性迴歸
    5.2.1 一元線性迴歸的基本原理
    5.2.1.1 最小平方法
    5.2.1.2 迴歸係數
    5.2.2 一元線性迴歸效能評估
    5.2.3 SPSS軟體中一元線性迴歸應用案例
    5.2.3.1 一元線性迴歸分析的操作步驟
    5.2.3.2 一元線性迴歸分析的結果解讀
    5.3 多元線性迴歸
    5.3.1 多元線性迴歸基本原理
    5.3.2 自變數選擇方法
    5.3.2.1 雙變數相關
    5.3.3 SPSS軟體中的多元線性迴歸應用案例
    5.3.3.1 多元線性迴歸預測用戶信用等級
    5.3.3.2 多元線性迴歸預測用戶是否流失
    5.4 非線性迴歸
    5.4.1 非線性迴歸基本原理
    5.4.2 冪函數迴歸分析
    5.4.3 指數迴歸分析
    5.4.4 對數迴歸分析
    5.4.5 多項式迴歸分析
    5.4.6 非線性模型線性化和曲線迴歸
    5.5 邏輯迴歸
    5.5.1 邏輯迴歸基本原理
    5.5.1.1 Logistic函數
    5.5.1.2 損失函數
    5.5.1.3 梯度下降法
    5.5.2 二元邏輯迴歸
    5.5.3 多元邏輯迴歸
    5.5.4 SPSS軟體中的邏輯迴歸應用案例
    參考文獻
    第6章 關聯分析
    6.1 關聯分析概述
    6.2 關聯分析的評估指標
    6.2.1 支持度
    6.2.2 信賴度
    6.2.3 演算法複雜度
    6.3 Apriori演算法
    6.3.1 頻繁項集的定義與產生
    6.3.2 先驗原理
    6.3.3 基於支持度的計數與剪枝
    6.3.4 候選項集生成
    6.3.5 基於信賴度的剪枝
    6.3.6 Apriori演算法規則生成
    6.4 FP-tree演算法
    6.4.1 頻繁模式樹
    6.4.2 FP-tree演算法頻繁項集的產生
    6.4.3 FP-tree演算法規則生成
    6.4.4 演算法效能對比與評估
    6.5 SPSS Modeler關聯分析實例
    參考文獻
    第7章 增強型資料探勘演算法
    7.1 增強型資料探勘演算法概述
    7.1.1 組合方法的優勢
    7.1.2 構建組合分類器的方法
    7.2 隨機森林
    7.2.1 隨機森林的原理
    7.2.2 隨機森林的優缺點
    7.2.3 隨機森林的泛化誤差
    7.2.4 輸入特徵的選擇方法
    7.3 Bagging演算法
    7.4 AdaBoost演算法
    7.4.1 AdaBoost演算法簡介
    7.4.2 AdaBoost演算法原理
    7.4.3 AdaBoost演算法的優缺點
    7.5 提高不平衡資料的分類準確率
    7.5.1 不平衡資料
    7.5.1.1 不平衡資料的介紹
    7.5.1.2 不平衡資料分類問題的難點
    7.5.2 不平衡資料的處理方法——資料層面
    7.5.2.1 過抽樣
    7.5.2.2 欠抽樣
    7.5.3 不平衡資料的處理方法——演算法層面
    7.6 遷移學習
    7.6.1 遷移學習的基本原理
    7.6.2 遷移學習的分類
    7.6.3 遷移學習與資料探勘
    7.6.4 遷移學習的發展
    參考文獻
    第8章 資料探勘在營運商智慧營運中的應用
    8.1 概述
    8.2 單個業務的精準行銷——合約機外呼行銷
    8.2.1 總結歷史行銷規律
    8.2.2 預測潛在客戶群體
    8.2.3 客戶群體細分
    8.2.4 制定層次化、個性化精準行銷方案
    8.3 多種互聯網業務的精準推送
    8.3.1 根據歷史行銷規律總結單個業務的歷史行銷規律
    8.3.2 預測潛在客戶群體、預測單個業務的潛在客戶群體及多個業務的聯合建模
    8.3.3 制定多業務層次化個性化聯合精準行銷方案
    8.3.4 應用效果評估
    8.4 套餐精準適配
    8.4.1 痛點
    8.4.2 資訊潛在客戶群體
    8.4.3 探尋強相關欄位
    8.4.4 多元線性迴歸建模
    8.4.5 制定層次化、個性化精準行銷方案
    8.4.6 應用效果評估與模型調優
    8.5 客戶保有
    8.5.1 總結客戶流失的歷史規律
    8.5.2 細分潛在流失客戶群體
    8.5.3 客戶保有效益建模與最優決策
    8.5.4 應用效果評估
    8.6 投訴預警
    8.6.1 客戶投訴現象分析
    8.6.2 資訊潛在客戶群體
    8.6.3 制定個性化關懷方案
    8.7 網路品質柵格化呈現
    8.7.1 柵格化呈現的基本原理
    8.7.2 覆蓋柵格化
    8.7.3 基於流量聚叢集的網路優化策略
    8.8 無線室內定位
    8.8.1 傳統室內定位方法
    8.8.2 基於Wi-Fi信號的指紋定位演算法
    8.8.3 基於資料探勘演算法的改進定位方法
    8.8.3.1 基於主成分分析和聚類的定位演算法
    8.8.3.2 基於四叉樹的定位演算法
    參考文獻
    第9章 面向未來大數據的資料探勘與機器學習發展趨勢
    9.1 大數據時代資料探勘與機器學習面臨的新挑戰
    9.2 IEEE ICDM會議資料探勘與機器學習的最新研究進展
    9.3 「電腦奧運」——Sort Benchmark
    參考文獻
    More
    梁棟,電機博士,碩士研究生導師,曾主持和參加多項自然科學基金項目,主要研究方向為大數據、資料探勘與智慧營運,所帶領的研究團隊在包括IEEE Internet of things Journal、IEEE International Conference on Data Mining等知名學術期刊和會議上發表學術論文二十多篇,並且長期與電信業進行科技產業化合作。

    張兆靜,任職於知名電信業,大數據分析專家,曾在IEEE等著名會議上發表論文十篇,主持多項大數據與智慧營運案,曾獲公司頒發的最佳培訓實踐獎。

    彭木根,電機博士,畢業後留校任教,博士生導師,擔任IET、IJCS、IJDSN、IJAP等國際SCI學術期刊論文的專刊編委、助理編委或特邀主編。曾擔任Wicon 2010、PlanNet等國際學術會議技術專題合作主席。長期擔任ICC、Globecom、WCNC、PIMRC等多個國際學術會議的技術委員。一直從事TDD無線網路資訊理論、協同網路編碼、無線網路自組織技術、TDD高效能無線傳輸與組網技術、TD-SCDMA及增強演進系統的傳輸,與增強組網技術的研發工作。
    More
    • Intro

    • Chapters

    • Author


    【想深入了解大數據、資料探勘的讀者請進!!】



    什麼是資料前處理?

    電信業者跟資料探勘有什麼關係?

    神經網路具體到底是什麼?

    集群分析的演算法有哪些?





    ◎資料探勘的「十大經典演算法」你都認識嗎?

    國際權威的學術組織the IEEE International Conference on Data Mining (ICDM)評出了資料探勘領域的十大經典演算法:C4.5、K-Means、SVM、Apriori、EM、PageRank、AdaBoost、KNN、Naive Bayes和CART。

     

    1.C4.5演算法

    C4.5是一種用在機器學習和資料探勘領域的分類問題中的演算法。它基於以下假設:給定一個資料集,其中的每一個元組都能用一組屬性值來描述,每一個元組屬於一個互斥的類別中的某一類。C4.5的目標是透過學習,找到一個從屬性值到類別的映射關係,並且這個映射能用於對新的類別未知的實體進行分類。



    2.The K-Means Algorithm (K-Means演算法)

    K-MeansAlgorithm是一種聚類演算法,它把n個對象根據他們的屬性分為k個分割,k

    ◎結構化/半結構化/非結構化資料有什麼不同?

    (一)結構化資料:能夠用數據或統一的結構加以表示的資料,如數字、符號。傳統的關係資料模型,儲存於資料庫,通常可用二維表結構表示。



    (二)非結構化資料:是指其欄位長度可變,並且每個欄位的記錄又可以由可重複或不可重複的子欄位構成的資料庫,用它不僅可以處理結構化資料(如數字、符號等資訊)而且更適合處理非結構化資料(全文文字、圖像、聲音、影視、超媒體等資訊)。



    (三)半結構化資料: XML、HTML文檔就屬於半結構化資料。它一般是自描述的,資料結構和內容混在一起,沒有明顯的區分。



    ◎如何設計神經網路的拓撲結構?

    在開始訓練之前,用戶必須確定網路拓撲,說明輸入層的單元數、隱藏層數(如果多於一層)、每個隱藏層的單元數和輸出層的單元數。



    對訓練元組中每個屬性的輸入測量值進行規範化將有助於加快學習過程。通常,對輸入值規範化,使得它們落入0.0和1.0之間。離散值屬性可以重新編碼,使得每個域值有一個輸入單元。例如,如果屬性A有3個可能的或已知的值{a0,a1,a2}則可以分配三個輸入單元表示A,即我們可以用I0,I1,I2作為輸入單元。每個單元都初始化為0。如果A=a0,則I0置為1,其餘為0;如果A=a1,則I1置1,其餘為0;諸如此類。



    神經網路可以用於分類(預測給定元組的類標號)和數值預測(預測連續值輸出)。對於分類,一個輸出單元可以用來表示兩個類(其中值1代表一個類,而值0代表另一個類)。如果多於兩個類,則每個類使用一個輸出單元。



    全書特色



    全書分為九章,內容包括:大資料探勘與智慧營運的概念,資料前處理,資料探勘中的四種主流演算法:集群分析、分類分析、迴歸分析、關聯分析,增強型資料探勘演算法,資料探勘在營運商智慧營運中的應用案例,未來大資料探勘的發展趨勢等。主要提供給電信業者及其他高科技企業員工、大專院校學生和研究生,以及其他對資料探勘與精準行銷感興趣的讀者。



     


    More
    More


    內容簡介

    前言



    第1章 大數據、資料探勘與智慧營運綜述

    1.1 資料探勘的發展史

    1.1.1 資料探勘的定義與起源

    1.1.2 資料探勘的早期發展

    1.1.3 資料探勘的演算法前傳

    1.1.4 資料探勘的第一個里程碑

    1.1.5 最近十年的發展與應用

    1.2 資料探勘的主要流程與金字塔模型

    1.2.1 資料探勘的任務

    1.2.2 資料探勘的基本步驟

    1.2.3 資料探勘的架構——雲端運算

    1.2.4 「金字塔」模型

    1.3 資料探勘對智慧營運的意義

    1.3.1 「互聯網+」時代的來臨及其對營運商的衝擊和挑戰

    1.3.2 大數據時代的來臨及其對營運商的挑戰和機遇

    1.3.3 電信業者營運發展面臨的主要瓶頸

    1.3.4 電信業者發展的「三條曲線」

    1.3.5 智慧營運與大數據變現

    1.3.6 資料探勘對於提升智慧營運效率的意義

    1.4 大數據時代已經來臨

    1.4.1 大數據的定義

    1.4.2 大數據的「4V」特徵

    1.4.3 結構化資料與非結構化資料

    1.5 非結構化資料探勘的研究進展

    1.5.1 文字探勘

    1.5.2 模式識別

    1.5.2.1 模式識別概述

    1.5.2.2 模式識別方法

    1.5.2.3 模式識別的應用

    1.5.3 語音辨識

    1.5.3.1 語音辨識技術的發展

    1.5.3.2 語音辨識基礎

    1.5.3.3 語音辨識基本原理

    1.5.3.4 聲學建模方法

    1.5.3.5 語音辨識的應用

    1.5.4 影片識別

    1.5.4.1 影片分析方法概述

    1.5.4.2 基於深度學習的影片技術

    1.5.4.3 結語

    1.5.5 其他非結構化資料探勘

    1.5.5.1 Web資料探勘

    1.5.5.2 空間群資料探勘

    1.6 資料探勘與機器學習、深度學習、人工智慧及雲端運算

    1.6.1 機器學習

    1.6.2 深度學習

    1.6.3 人工智慧

    1.6.4 雲端運算

    1.7 現有資料探勘的主要分析軟體與系統

    1.7.1 Hadoop

    1.7.2 Storm

    1.7.3 Spark

    1.7.4 SPASS(SPSS)

    1.7.5 SAS

    參考文獻



    第2章 數據統計與資料前處理

    2.1 資料屬性類型

    2.1.1 資料屬性定義

    2.1.2 離散屬性

    2.1.3 連續屬性

    2.2 數據的統計特性

    2.2.1 中心趨勢度量

    2.2.2 數據散布度量

    2.2.2.1 等分位數

    2.2.2.2 均值

    2.2.2.3 變異數與標準差

    2.2.2.4 高階統計特性

    2.2.3 數據相關性

    2.2.3.1 卡方相關性

    2.2.3.2 雙變數相關

    2.2.3.3 偏相關

    2.3 資料前處理

    2.3.1 資料前處理概述

    2.3.2 資料前處理的主要任務

    2.3.3 資料淨化

    2.3.3.1 缺失值

    2.3.3.2 雜訊資料

    2.3.4 資料整合

    2.3.4.1 資料冗餘

    2.3.4.2 重複元組

    2.3.5 資料縮減

    2.3.5.1 主成分分析

    2.3.5.2 小波變換

    2.3.5.3 屬性子集選擇

    2.3.6 資料變換和離散化

    2.3.6.1 資料正規化/標準化的主要方法

    2.3.6.2 資料離散化的主要方法

    2.4 資料欄位的衍生

    2.4.1 資料欄位的拆分

    2.4.2 統計特徵的構造

    2.4.3 資料區的變換

    2.5 SPSS軟體中的資料前處理案例

    2.5.1 缺失值的實際處理

    2.5.2 雜訊資料的實際處理

    2.5.3 主成分分析的實際處理

    參考文獻



    第3章 集群分析

    3.1 概述

    3.2 聚類演算法的評估

    3.3 基於劃分的聚類:K-means

    3.3.1 基於劃分的聚類演算法概述

    3.3.2 K-means聚類演算法原理

    3.3.3 K-means演算法的優勢與劣勢

    3.3.4 K-means演算法優化

    3.3.5 SPSS軟體中的K-means演算法應用案例

    3.4 基於層次化的聚類:BIRCH

    3.4.1 基於層次化的聚類演算法概述

    3.4.2 BIRCH演算法的基本原理

    3.4.3 BIRCH演算法的優勢與劣勢

    3.5 基於密度的聚類:DBSCAN

    3.5.1 基於密度的聚類演算法概述

    3.5.2 DBSCAN演算法的基本原理

    3.5.3 DBSCAN演算法的優勢與劣勢

    3.6 基於網格的聚類:CLIQUE

    3.6.1 基於網格的聚類演算法概述

    3.6.2 CLIQUE演算法的基本原理

    3.6.3 CLIQUE演算法的優勢與劣勢

    參考文獻



    第4章 分類分析

    4.1 分類分析概述

    4.2 分類分析的評估

    4.3 決策樹分析

    4.3.1 決策樹演算法的基本原理

    4.3.2 CHAID決策樹

    4.3.2.1 CHAID演算法簡介

    4.3.2.2 CHAID演算法原理

    4.3.2.3 CHIAD演算法實例分析

    4.3.3 ID3決策樹

    4.3.3.1 ID3演算法原理

    4.3.3.2 熵和資訊增益

    4.3.3.3 ID3演算法偽程式碼

    4.3.3.4 ID3演算法的特點

    4.3.3.5 ID3演算法的案例分析

    4.3.4 C4.5決策樹

    4.3.4.1 C4.5演算法原理

    4.3.4.2 C4.5演算法的偽程式碼

    4.3.4.3 C4.5演算法的特點

    4.3.4.4 C4.5演算法案例分析

    4.3.5 CART決策樹

    4.3.5.1 CART決策樹原理介紹

    4.3.5.2 Gini係數

    4.3.5.3 使用基尼係數進行決策樹分析案例

    4.3.6 決策樹中的剪枝問題

    4.3.7 決策樹在SPSS中的應用

    4.4 最近鄰分析(KNN)

    4.4.1 KNN演算法的基本原理

    4.4.2 KNN演算法流程

    4.4.3 KNN演算法的若干問題

    4.4.4 KNN分類器的特徵

    4.4.5 KNN演算法在SPSS中的應用

    4.4.5.1 用KNN演算法預測用戶是否流失

    4.4.5.2 用KNN演算法填充缺失值

    4.5 貝氏分析

    4.5.1 貝氏定理

    4.5.2 單純貝氏分類

    4.5.2.1 條件獨立性

    4.5.2.2 單純貝氏分類的工作過程

    4.5.2.3 單純貝氏分類的特徵

    4.5.2.4 單純貝氏分類實例分析

    4.5.3 貝氏網路

    4.5.3.1 貝氏網路原理

    4.5.3.2 模型表示

    4.5.3.3 貝氏網路實例分析

    4.5.3.4 BBN的特點

    4.6 神經網路

    4.6.1 感知器

    4.6.2 多重人工神經網路

    4.6.2.1 多重人工神經網路介紹

    4.6.2.2 多層前饋神經網路

    4.6.2.3 定義網路拓撲
    asnd

    內容簡介
    前言

    第1章 大數據、資料探勘與智慧營運綜述
    1.1 資料探勘的發展史
    1.1.1 資料探勘的定義與起源
    1.1.2 資料探勘的早期發展
    1.1.3 資料探勘的演算法前傳
    1.1.4 資料探勘的第一個里程碑
    1.1.5 最近十年的發展與應用
    1.2 資料探勘的主要流程與金字塔模型
    1.2.1 資料探勘的任務
    1.2.2 資料探勘的基本步驟
    1.2.3 資料探勘的架構——雲端運算
    1.2.4 「金字塔」模型
    1.3 資料探勘對智慧營運的意義
    1.3.1 「互聯網+」時代的來臨及其對營運商的衝擊和挑戰
    1.3.2 大數據時代的來臨及其對營運商的挑戰和機遇
    1.3.3 電信業者營運發展面臨的主要瓶頸
    1.3.4 電信業者發展的「三條曲線」
    1.3.5 智慧營運與大數據變現
    1.3.6 資料探勘對於提升智慧營運效率的意義
    1.4 大數據時代已經來臨
    1.4.1 大數據的定義
    1.4.2 大數據的「4V」特徵
    1.4.3 結構化資料與非結構化資料
    1.5 非結構化資料探勘的研究進展
    1.5.1 文字探勘
    1.5.2 模式識別
    1.5.2.1 模式識別概述
    1.5.2.2 模式識別方法
    1.5.2.3 模式識別的應用
    1.5.3 語音辨識
    1.5.3.1 語音辨識技術的發展
    1.5.3.2 語音辨識基礎
    1.5.3.3 語音辨識基本原理
    1.5.3.4 聲學建模方法
    1.5.3.5 語音辨識的應用
    1.5.4 影片識別
    1.5.4.1 影片分析方法概述
    1.5.4.2 基於深度學習的影片技術
    1.5.4.3 結語
    1.5.5 其他非結構化資料探勘
    1.5.5.1 Web資料探勘
    1.5.5.2 空間群資料探勘
    1.6 資料探勘與機器學習、深度學習、人工智慧及雲端運算
    1.6.1 機器學習
    1.6.2 深度學習
    1.6.3 人工智慧
    1.6.4 雲端運算
    1.7 現有資料探勘的主要分析軟體與系統
    1.7.1 Hadoop
    1.7.2 Storm
    1.7.3 Spark
    1.7.4 SPASS(SPSS)
    1.7.5 SAS
    參考文獻

    第2章 數據統計與資料前處理
    2.1 資料屬性類型
    2.1.1 資料屬性定義
    2.1.2 離散屬性
    2.1.3 連續屬性
    2.2 數據的統計特性
    2.2.1 中心趨勢度量
    2.2.2 數據散布度量
    2.2.2.1 等分位數
    2.2.2.2 均值
    2.2.2.3 變異數與標準差
    2.2.2.4 高階統計特性
    2.2.3 數據相關性
    2.2.3.1 卡方相關性
    2.2.3.2 雙變數相關
    2.2.3.3 偏相關
    2.3 資料前處理
    2.3.1 資料前處理概述
    2.3.2 資料前處理的主要任務
    2.3.3 資料淨化
    2.3.3.1 缺失值
    2.3.3.2 雜訊資料
    2.3.4 資料整合
    2.3.4.1 資料冗餘
    2.3.4.2 重複元組
    2.3.5 資料縮減
    2.3.5.1 主成分分析
    2.3.5.2 小波變換
    2.3.5.3 屬性子集選擇
    2.3.6 資料變換和離散化
    2.3.6.1 資料正規化/標準化的主要方法
    2.3.6.2 資料離散化的主要方法
    2.4 資料欄位的衍生
    2.4.1 資料欄位的拆分
    2.4.2 統計特徵的構造
    2.4.3 資料區的變換
    2.5 SPSS軟體中的資料前處理案例
    2.5.1 缺失值的實際處理
    2.5.2 雜訊資料的實際處理
    2.5.3 主成分分析的實際處理
    參考文獻

    第3章 集群分析
    3.1 概述
    3.2 聚類演算法的評估
    3.3 基於劃分的聚類:K-means
    3.3.1 基於劃分的聚類演算法概述
    3.3.2 K-means聚類演算法原理
    3.3.3 K-means演算法的優勢與劣勢
    3.3.4 K-means演算法優化
    3.3.5 SPSS軟體中的K-means演算法應用案例
    3.4 基於層次化的聚類:BIRCH
    3.4.1 基於層次化的聚類演算法概述
    3.4.2 BIRCH演算法的基本原理
    3.4.3 BIRCH演算法的優勢與劣勢
    3.5 基於密度的聚類:DBSCAN
    3.5.1 基於密度的聚類演算法概述
    3.5.2 DBSCAN演算法的基本原理
    3.5.3 DBSCAN演算法的優勢與劣勢
    3.6 基於網格的聚類:CLIQUE
    3.6.1 基於網格的聚類演算法概述
    3.6.2 CLIQUE演算法的基本原理
    3.6.3 CLIQUE演算法的優勢與劣勢
    參考文獻

    第4章 分類分析
    4.1 分類分析概述
    4.2 分類分析的評估
    4.3 決策樹分析
    4.3.1 決策樹演算法的基本原理
    4.3.2 CHAID決策樹
    4.3.2.1 CHAID演算法簡介
    4.3.2.2 CHAID演算法原理
    4.3.2.3 CHIAD演算法實例分析
    4.3.3 ID3決策樹
    4.3.3.1 ID3演算法原理
    4.3.3.2 熵和資訊增益
    4.3.3.3 ID3演算法偽程式碼
    4.3.3.4 ID3演算法的特點
    4.3.3.5 ID3演算法的案例分析
    4.3.4 C4.5決策樹
    4.3.4.1 C4.5演算法原理
    4.3.4.2 C4.5演算法的偽程式碼
    4.3.4.3 C4.5演算法的特點
    4.3.4.4 C4.5演算法案例分析
    4.3.5 CART決策樹
    4.3.5.1 CART決策樹原理介紹
    4.3.5.2 Gini係數
    4.3.5.3 使用基尼係數進行決策樹分析案例
    4.3.6 決策樹中的剪枝問題
    4.3.7 決策樹在SPSS中的應用
    4.4 最近鄰分析(KNN)
    4.4.1 KNN演算法的基本原理
    4.4.2 KNN演算法流程
    4.4.3 KNN演算法的若干問題
    4.4.4 KNN分類器的特徵
    4.4.5 KNN演算法在SPSS中的應用
    4.4.5.1 用KNN演算法預測用戶是否流失
    4.4.5.2 用KNN演算法填充缺失值
    4.5 貝氏分析
    4.5.1 貝氏定理
    4.5.2 單純貝氏分類
    4.5.2.1 條件獨立性
    4.5.2.2 單純貝氏分類的工作過程
    4.5.2.3 單純貝氏分類的特徵
    4.5.2.4 單純貝氏分類實例分析
    4.5.3 貝氏網路
    4.5.3.1 貝氏網路原理
    4.5.3.2 模型表示
    4.5.3.3 貝氏網路實例分析
    4.5.3.4 BBN的特點
    4.6 神經網路
    4.6.1 感知器
    4.6.2 多重人工神經網路
    4.6.2.1 多重人工神經網路介紹
    4.6.2.2 多層前饋神經網路
    4.6.2.3 定義網路拓撲
    askw


    內容簡介

    前言



    第1章 大數據、資料探勘與智慧營運綜述

    1.1 資料探勘的發展史

    1.1.1 資料探勘的定義與起源

    1.1.2 資料探勘的早期發展

    1.1.3 資料探勘的演算法前傳

    1.1.4 資料探勘的第一個里程碑

    1.1.5 最近十年的發展與應用

    1.2 資料探勘的主要流程與金字塔模型

    1.2.1 資料探勘的任務

    1.2.2 資料探勘的基本步驟

    1.2.3 資料探勘的架構——雲端運算

    1.2.4 「金字塔」模型

    1.3 資料探勘對智慧營運的意義

    1.3.1 「互聯網+」時代的來臨及其對營運商的衝擊和挑戰

    1.3.2 大數據時代的來臨及其對營運商的挑戰和機遇

    1.3.3 電信業者營運發展面臨的主要瓶頸

    1.3.4 電信業者發展的「三條曲線」

    1.3.5 智慧營運與大數據變現

    1.3.6 資料探勘對於提升智慧營運效率的意義

    1.4 大數據時代已經來臨

    1.4.1 大數據的定義

    1.4.2 大數據的「4V」特徵

    1.4.3 結構化資料與非結構化資料

    1.5 非結構化資料探勘的研究進展

    1.5.1 文字探勘

    1.5.2 模式識別

    1.5.2.1 模式識別概述

    1.5.2.2 模式識別方法

    1.5.2.3 模式識別的應用

    1.5.3 語音辨識

    1.5.3.1 語音辨識技術的發展

    1.5.3.2 語音辨識基礎

    1.5.3.3 語音辨識基本原理

    1.5.3.4 聲學建模方法

    1.5.3.5 語音辨識的應用

    1.5.4 影片識別

    1.5.4.1 影片分析方法概述

    1.5.4.2 基於深度學習的影片技術

    1.5.4.3 結語

    1.5.5 其他非結構化資料探勘

    1.5.5.1 Web資料探勘

    1.5.5.2 空間群資料探勘

    1.6 資料探勘與機器學習、深度學習、人工智慧及雲端運算

    1.6.1 機器學習

    1.6.2 深度學習

    1.6.3 人工智慧

    1.6.4 雲端運算

    1.7 現有資料探勘的主要分析軟體與系統

    1.7.1 Hadoop

    1.7.2 Storm

    1.7.3 Spark

    1.7.4 SPASS(SPSS)

    1.7.5 SAS

    參考文獻



    第2章 數據統計與資料前處理

    2.1 資料屬性類型

    2.1.1 資料屬性定義

    2.1.2 離散屬性

    2.1.3 連續屬性

    2.2 數據的統計特性

    2.2.1 中心趨勢度量

    2.2.2 數據散布度量

    2.2.2.1 等分位數

    2.2.2.2 均值

    2.2.2.3 變異數與標準差

    2.2.2.4 高階統計特性

    2.2.3 數據相關性

    2.2.3.1 卡方相關性

    2.2.3.2 雙變數相關

    2.2.3.3 偏相關

    2.3 資料前處理

    2.3.1 資料前處理概述

    2.3.2 資料前處理的主要任務

    2.3.3 資料淨化

    2.3.3.1 缺失值

    2.3.3.2 雜訊資料

    2.3.4 資料整合

    2.3.4.1 資料冗餘

    2.3.4.2 重複元組

    2.3.5 資料縮減

    2.3.5.1 主成分分析

    2.3.5.2 小波變換

    2.3.5.3 屬性子集選擇

    2.3.6 資料變換和離散化

    2.3.6.1 資料正規化/標準化的主要方法

    2.3.6.2 資料離散化的主要方法

    2.4 資料欄位的衍生

    2.4.1 資料欄位的拆分

    2.4.2 統計特徵的構造

    2.4.3 資料區的變換

    2.5 SPSS軟體中的資料前處理案例

    2.5.1 缺失值的實際處理

    2.5.2 雜訊資料的實際處理

    2.5.3 主成分分析的實際處理

    參考文獻



    第3章 集群分析

    3.1 概述

    3.2 聚類演算法的評估

    3.3 基於劃分的聚類:K-means

    3.3.1 基於劃分的聚類演算法概述

    3.3.2 K-means聚類演算法原理

    3.3.3 K-means演算法的優勢與劣勢

    3.3.4 K-means演算法優化

    3.3.5 SPSS軟體中的K-means演算法應用案例

    3.4 基於層次化的聚類:BIRCH

    3.4.1 基於層次化的聚類演算法概述

    3.4.2 BIRCH演算法的基本原理

    3.4.3 BIRCH演算法的優勢與劣勢

    3.5 基於密度的聚類:DBSCAN

    3.5.1 基於密度的聚類演算法概述

    3.5.2 DBSCAN演算法的基本原理

    3.5.3 DBSCAN演算法的優勢與劣勢

    3.6 基於網格的聚類:CLIQUE

    3.6.1 基於網格的聚類演算法概述

    3.6.2 CLIQUE演算法的基本原理

    3.6.3 CLIQUE演算法的優勢與劣勢

    參考文獻



    第4章 分類分析

    4.1 分類分析概述

    4.2 分類分析的評估

    4.3 決策樹分析

    4.3.1 決策樹演算法的基本原理

    4.3.2 CHAID決策樹

    4.3.2.1 CHAID演算法簡介

    4.3.2.2 CHAID演算法原理

    4.3.2.3 CHIAD演算法實例分析

    4.3.3 ID3決策樹

    4.3.3.1 ID3演算法原理

    4.3.3.2 熵和資訊增益

    4.3.3.3 ID3演算法偽程式碼

    4.3.3.4 ID3演算法的特點

    4.3.3.5 ID3演算法的案例分析

    4.3.4 C4.5決策樹

    4.3.4.1 C4.5演算法原理

    4.3.4.2 C4.5演算法的偽程式碼

    4.3.4.3 C4.5演算法的特點

    4.3.4.4 C4.5演算法案例分析

    4.3.5 CART決策樹

    4.3.5.1 CART決策樹原理介紹

    4.3.5.2 Gini係數

    4.3.5.3 使用基尼係數進行決策樹分析案例

    4.3.6 決策樹中的剪枝問題

    4.3.7 決策樹在SPSS中的應用

    4.4 最近鄰分析(KNN)

    4.4.1 KNN演算法的基本原理

    4.4.2 KNN演算法流程

    4.4.3 KNN演算法的若干問題

    4.4.4 KNN分類器的特徵

    4.4.5 KNN演算法在SPSS中的應用

    4.4.5.1 用KNN演算法預測用戶是否流失

    4.4.5.2 用KNN演算法填充缺失值

    4.5 貝氏分析

    4.5.1 貝氏定理

    4.5.2 單純貝氏分類

    4.5.2.1 條件獨立性

    4.5.2.2 單純貝氏分類的工作過程

    4.5.2.3 單純貝氏分類的特徵

    4.5.2.4 單純貝氏分類實例分析

    4.5.3 貝氏網路

    4.5.3.1 貝氏網路原理

    4.5.3.2 模型表示

    4.5.3.3 貝氏網路實例分析

    4.5.3.4 BBN的特點

    4.6 神經網路

    4.6.1 感知器

    4.6.2 多重人工神經網路

    4.6.2.1 多重人工神經網路介紹

    4.6.2.2 多層前饋神經網路

    4.6.2.3 定義網路拓撲

    More


    梁棟



    電機博士,碩士研究生導師,曾主持和參加多項自然科學基金項目,主要研究方向為大數據、資料探勘與智慧營運,所帶領的研究團隊在包括IEEE Internet of things Journal、IEEE International Conference on Data Mining等知名學術期刊和會議上發表學術論文二十多篇,並且長期與電信業進行科技產業化合作。



    張兆靜



    任職於知名電信業,大數據分析專家,曾在IEEE等著名會議上發表論文十篇,主持多項大數據與智慧營運案,曾獲公司頒發的最佳培訓實踐獎。



    彭木根



    電機博士,畢業後留校任教,博士生導師,擔任IET、IJCS、IJDSN、IJAP等國際SCI學術期刊論文的專刊編委、助理編委或特邀主編。曾擔任Wicon 2010、PlanNet等國際學術會議技術專題合作主席。長期擔任ICC、Globecom、WCNC、PIMRC等多個國際學術會議的技術委員。一直從事TDD無線網路資訊理論、協同網路編碼、無線網路自組織技術、TDD高效能無線傳輸與組網技術、TD-SCDMA及增強演進系統的傳輸,與增強組網技術的研發工作。


    More

    Details

    Released
    2020/08/26
    Language
    Traditional Chinese
    File format
    PDF: Fit in large screen
    Provide Adobe DRM
    Provide PDF
    Offer DRM free license
    No
    ID
    222800
    ISBN
    9789577359926
    Released
    2020/08/28
    Language
    Traditional Chinese
    Pages
    429
    ID
    545010
    ISBN
    9789577359926

    資料庫

    資料探勘

    大數據

    Buy products firstAnd download app to watch

    Details

    See more 崧博出版 / 崧燁文化

    More

    See more 崧燁文化

    More

    Related Product

    OI 向外看的洞見 如何在資訊淹沒的世界找出最有價值的趨勢?

    資料同理心

    Access 2019資料庫系統概論與實務-適用2019/2016

    Excel 2019必學範例-大數據資料整理術(修訂版) 

    Power BI X ChatGPT:實作大數據篩選分析與商業圖表設計

    大數據時代超吸睛視覺化工具與技術:Tableau資料分析師進階高手養成實戰經典

    Power BI零售大數據分析應用(第二版)-強化工作效率,掌握市場先機!

    喬叔帶你上手Elastic Stack:Elasticsearch的最佳實踐與最佳化技巧

    R語言資料分析:從機器學習、資料探勘、文字探勘到巨量資料分析 [第三版]

    SQL Server全集中實戰效能調校指引

    SQL Server 技術筆記 TSQL篇

    Big Data大數據分析:使用Power BI視覺化應用與Azure雲端平台

      

    Review

    0 ratings
    1 stars
    0%
    2 stars
    0%
    3 stars
    0%
    4 stars
    0%
    5 stars
    0%
    Write a review
    Eligible to write reviews after purchasing products or add to Library
    Explanation
    DRM needs to login with Pubu Web or App, DRM free can be opened with any device or App
    You already owned this product
    Are you sure you want to buy 大數據X資料探勘X智慧營運 again? This will generate duplicated items in your Library
    Buy again
    Buy for others
    After completing the checkout process, go to "Profile, Manage gift codes" to send the gift code to your friends or group members
    Quantity
    OK
    English Japanese Korean Thai Traditional Chinese 简体中文

    • About Pubu

    • Terms of Service

    • Privacy policy

    • Publish Books

    • Publish Media Products

    • Self Publish

    • Support

    • Join AP Alliance

    • 用台灣之星看飽讀

    • Redeem Retail Products

    Free downloaddddddddddddd
    Free download
    Payment
    About Pubu
    湛天創新科技股份有限公司
    24488585
    Copyright © Nuazure Innovative Technology Co., Ltd. & HK Renascimedia Co., Ltd.
    pubu-web-3.9.0.202009251127
    Download Android APK
    Download

    系統訊息


    您的合約條件不符合推廣聯盟申請資格,如有疑問請洽詢Pubu版權部窗口

    系統訊息


    您必須啟用賣家功能,才能透過專屬推廣連結,賣書賺回饋金
    Choose language
    English 日本語 한국어 ไทย 繁體中文 简体中文
    Processing