《大數據技術叢書：MATLAB數據分析與挖掘實戰(zhàn)》共16章，共三篇。基礎篇（第1～5章），第1章的主要內容是數據挖掘概述；第2章對《大數據技術叢書：MATLAB數據分析與挖掘實戰(zhàn)》所用到的數據挖掘建模工具MATALB進行了簡明扼要的說明；第3章、第4章、第5章對數據挖掘的建模過程，包括數據探索、數據預處理及挖掘建模的常用算法與原理進行了介紹。實戰(zhàn)篇（第6～15章），重點對數據挖掘技術在電力、航空、醫(yī)療、互聯網、生產制造以及公共服務等行業(yè)的應用進行了分析。在案例結構組織上，《大數據技術叢書：MATLAB數據分析與挖掘實戰(zhàn)》是按照先介紹案例背景與挖掘目標，再闡述分析方法與過程，最后完成模型構建的順序進行的，在建模過程關鍵環(huán)節(jié)，穿插程序實現代碼。最后通過上機實踐，加深數據挖掘技術在案例應用中的理解。提高篇（第16章），介紹了基于MATLAB二次開發(fā)的數據挖掘應用軟件——TipDM數據挖掘建模工具，并以此工具為例詳細介紹了基于MATLAB接口完成數據挖掘二次開發(fā)的各個步驟，使讀者體驗到通過MATLAB實現數據挖掘二次開發(fā)的強大魅力。
多位資深數據挖掘專家10余年實戰(zhàn)經驗結晶，深入講解數據挖掘各個環(huán)節(jié)的各項技術通過10余個真實的案例為10余個行業(yè)的數據挖掘提供了解決方案，并提供相關的建模文件和源代碼
為什么要寫這本書LinkedIn 對全球超過3.3億用戶的工作經歷和技能進行分析后得出，在目前最炙手可熱的25項技能中，數據挖掘人才需求排名第一。那么數據挖掘是什么？數據挖掘是從大量數據（包括文本）中挖掘出隱含的、先前未知的、對決策有潛在價值的關系、模式和趨勢，并用這些知識和規(guī)則建立用于決策支持的模型，以及提供預測性決策支持的方法、工具和過程。數據挖掘有助于企業(yè)發(fā)現業(yè)務的趨勢，揭示已知的事實，預測未知的結果，因此“數據挖掘”已成為企業(yè)保持競爭力的必要方法。
但和國外相比，我國由于信息化程度不太高，企業(yè)內部信息不完整，所以零售業(yè)、銀行、保險、證券等行業(yè)對數據挖掘的應用并不太理想。但隨著市場競爭的加劇，各行業(yè)對數據挖掘技術的意愿越來越強烈，可以預計，未來幾年，各行業(yè)的數據分析應用一定會從傳統(tǒng)的統(tǒng)計分析發(fā)展到大規(guī)模的數據挖掘應用。在大數據時代，數據過剩、人才短缺，數據挖掘專業(yè)人才的培養(yǎng)又需要專業(yè)知識和職業(yè)經驗的積累。所以，本書注重數據挖掘理論與項目案例實踐相結合，可以讓讀者獲得真實的數據挖掘學習與實踐環(huán)境，更快、更好地學習數據挖掘知識與積累職業(yè)經驗。
總的來說，隨著云時代的來臨，大數據技術將具有越來越重要的戰(zhàn)略意義。大數據已經滲透到每一個行業(yè)和業(yè)務職能領域，逐漸成為重要的生產要素，人們對于海量數據的運用預示著新一輪生產率增長和消費者激增浪潮的到來。大數據分析技術將幫助企業(yè)用戶在合理的時間內攫取、管理、處理、整理海量數據，也為企業(yè)經營決策提供積極的幫助；大數據分析作為數據存儲和挖掘分析的前沿技術，廣泛應用于物聯網、云計算、移動互聯網等戰(zhàn)略性的新興產業(yè)。雖然大數據目前在國內還處于初級階段，但是其商業(yè)價值已經顯現出來，特別是有實踐經驗的大數據分析人才更是各企業(yè)爭奪的熱門。為了滿足日益增長的大數據分析人才的需求，很多大學開始嘗試開設不同程度的大數據分析課程。“大數據分析”作為大數據時代的核心技術，必將成為高校數學與統(tǒng)計學專業(yè)的重要課程之一。
張良均，資深大數據挖掘專家和模式識別專家，有10多年的大數據挖掘應用、咨詢經驗，10余年數據倉庫系統(tǒng)管理與實施經驗，超過10年的系統(tǒng)開發(fā)與設計經驗。為電信、電力、互聯網、生產制造、零售、銀行、生物、化工、醫(yī)藥等多個行業(yè)上百家大型企業(yè)提供過數據挖掘應用與咨詢服務，實踐經驗非常豐富。此外，他精通JavaEE企業(yè)級應用開發(fā)，是廣東工業(yè)大學和華南師范大學兼職教授，著有《神經網絡實用教程》、《數據挖掘：實用案例分析》等暢銷書。
基礎篇
第1章 數據挖掘基礎
1.1 某知名連鎖餐飲企業(yè)的困惑
1.2 從餐飲服務到數據挖掘
1.3 數據挖掘的基本任務
1.4 數據挖掘的建模過程
1.4.1 定義挖掘目標
1.4.2 數據取樣
1.4.3 數據探索
1.4.4 數據預處理
1.4.5 挖掘建模
1.4.6 模型評價
1.5 常用的數據挖掘建模工具
1.6 小結
第2章 MATLAB數據分析工具箱簡介
2.1 MATLAB的安裝
2.2 MATLAB使用入門
2.2.1 MATLAB R2014a操作界面
2.2.2 MATLAB常用操作
2.3 MATLAB數據分析工具箱
2.4 配套附件使用設置
2.5 小結
第3章 數據探索
3.1 數據質量分析
3.1.1 缺失值分析
3.1.2 異常值分析
3.1.3 一致性分析
3.2 數據特征分析
3.2.1 分布分析
3.2.2 對比分析
3.2.3 統(tǒng)計量分析
3.2.4 周期性分析
3.2.5 貢獻度分析
3.2.6 相關性分析
3.3 MATLAB主要數據的探索函數
3.3.1 統(tǒng)計特征函數
3.3.2 統(tǒng)計作圖函數
3.4 小結
第4章 數據預處理
4.1 數據清洗
4.1.1 缺失值處理
4.1.2 異常值處理
4.2 數據集成
4.2.1 實體識別
4.2.2 冗余屬性識別
4.3 數據變換
4.3.1 簡單的函數變換
4.3.2 規(guī)范化
4.3.3 連續(xù)屬性離散化
4.3.4 屬性構造
4.3.5 小波變換
4.4 數據規(guī)約
4.4.1 屬性規(guī)約
4.4.2 數值規(guī)約
4.5 MATLAB主要的數據預處理函數
4.6 小結
第5章 挖掘建模
5.1 分類與預測
5.1.1 實現過程
5.1.2 常用的分類與預測算法
5.1.3 回歸分析
5.1.4 決策樹
5.1.5 人工神經網絡
5.1.6 分類與預測算法評價
5.1.7 MATLAB主要分類與預測算法函數
5.2 聚類分析
5.2.1 常用的聚類分析算法
5.2.2 K-Means聚類算法
5.2.3 聚類分析算法評價
5.2.4 MATLAB主要聚類分析算法函數
5.3 關聯規(guī)則
5.3.1 常用的關聯規(guī)則算法
5.3.2 Apriori算法
5.4 時序模式
5.4.1 時間序列算法
5.4.2 時間序列的預處理
5.4.3 平穩(wěn)時間序列分析
5.4.4 非平穩(wěn)時間序列分析
5.4.5 MATLAB主要時序模式算法函數
5.5 離群點檢測
5.5.1 離群點的檢測方法
5.5.2 基于統(tǒng)計模型的離群點的檢測方法
5.5.3 基于聚類的離群點的檢測方法
5.6 小結
實戰(zhàn)篇
第6章 電力企業(yè)的竊漏電用戶自動識別
6.1 背景與挖掘目標
6.2 分析方法與過程
6.2.1 數據抽取
6.2.2 數據探索分析
6.2.3 數據預處理
6.2.4 構建專家樣本
6.2.5 構建模型
6.3 上機實驗
6.4 拓展思考
6.5 小結
第7章 航空公司的客戶價值分析
7.1 背景與挖掘目標
7.2 分析方法與過程
7.2.1 數據抽取
7.2.2 數據探索分析
7.2.3 數據預處理
7.2.4 模型構建
7.3 上機實驗
7.4 拓展思考
7.5 小結
第8章 中醫(yī)證型關聯規(guī)則挖掘
8.1 背景與挖掘目標
8.2 分析方法與過程
8.2.1 數據獲取
8.2.2 數據預處理
8.2.3 模型構建
8.3 上機實驗
8.4 拓展思考
8.5 小結
第9章 基于水色圖像的水質評價
9.1 背景與挖掘目標
9.2 分析方法與過程
9.2.1 數據預處理
9.2.2 構建模型
9.2.3 水質評價
9.3 上機實驗
9.4 拓展思考
9.5 小結
第10章 基于關聯規(guī)則的網站智能推薦服務
10.1 背景與挖掘目標
10.2 分析方法與過程
10.2.1 數據抽取
10.2.2 數據預處理
10.2.3 構建模型
10.3 上機實驗
10.4 拓展思考
10.5 小結
第11章 應用系統(tǒng)負載分析與磁盤容量預測
11.1 背景與挖掘目標
11.2 分析方法與過程
11.2.1 數據抽取
11.2.2 數據探索分析
11.2.3 數據預處理
11.2.4 構建模型
11.3 上機實驗
11.4 拓展思考
11.5 小結
第12章 面向網絡輿情的關聯度分析
12.1 背景與挖掘目標
12.2 分析方法與過程
12.2.1 數據抽取
12.2.2 數據預處理
12.2.3 構建模型
12.3 上機實驗
12.4 拓展思考
12.5 小結
第13章 家用電器用戶行為分析及事件識別
13.1 背景與挖掘目標
13.2 分析方法與過程
13.2.1 數據抽取
13.2.2 數據探索分析
13.2.3 數據預處理
13.2.4 模型構建
13.2.5 模型檢驗
13.3 上機實驗
13.4 拓展思考
13.5 小結
第14章 基于基站定位數據的商圈分析
14.1 背景與挖掘目標
14.2 分析方法與過程
14.2.1 數據抽取
14.2.2 數據探索分析
14.2.3 數據預處理
14.2.4 構建模型
14.3 上機實驗
14.4 拓展思考
14.5 小結
第15章 氣象與輸電線路的缺陷關聯分析
15.1 背景與挖掘目標
15.2 分析方法與過程
15.2.1 數據抽取
15.2.2 數據探索分析
15.2.3 數據預處理
15.2.4 模型構建
15.3 上機實驗
15.4 拓展思考
15.5 小結
提高篇
第16章 基于MATLAB的數據挖掘二次開發(fā)
16.1 混合編程應用體驗——TipDM數據挖掘平臺
16.1.1 建設目標
16.1.2 模型構建
16.1.3 模型發(fā)布
16.1.4 模型調用
16.1.5 模型更新
16.2 二次開發(fā)過程
16.2.1 接口算法編程
16.2.2 用Library Compiler創(chuàng)建Java組件
16.2.3 安裝MATLAB運行時環(huán)境
16.2.4 JDK環(huán)境及設置
16.2.5 接口函數的調用
16.3 小結
參考文獻
決策樹是一樹狀結構，它的每一個葉節(jié)點對應著一個分類，非葉節(jié)點對應著在某個屬性上的劃分，根據樣本在該屬性上的不同取值將其劃分成若干個子集。對于非純的葉節(jié)點，多數類的標號給出到達這個節(jié)點的樣本所屬的類。構造決策樹的核心問題是在每一步如何選擇適當的屬性對樣本進行拆分。對一個分類問題，從已知類標記的訓練樣本中學習并構造出決策樹是一個自上而下分而治之的過程。
本節(jié)將詳細介紹ID3算法，其也是最經典的決策樹分類算法。
1.ID3算法簡介及基本原理
ID3算法基于信息熵來選擇最 佳的測試屬性，它選擇當前樣本集中具有最大信息增益值的屬性作為測試屬性；樣本集的劃分則依據測試屬性的取值進行，測試屬性有多少個不同的取值就將樣本集劃分為多少個子樣本集，同時決策樹上相應于該樣本集的節(jié)點長出新的葉子節(jié)點。ID3算法根據信息論的理論，采用劃分后樣本集的不確定性作為衡量劃分好壞的標準，用信息增益值度量不確定性：信息增益值越大，不確定性越小。因此，ID3算法在每個非葉節(jié)點選擇信息增益最大的屬性作為測試屬性，這樣可以得到當前情況下最純的拆分，從而得到較小的決策樹。
新書資訊