商业大数据分析

标签

本书是一本融合知识和技能的商业大数据分析教材，集合了文字、多媒体、知识库等多种信息传递渠道，即便是零基础的读者也可以通过本书及其配套教学资源快速掌握和使用商业大数据分析技能。在本书出版之前，商业大数据分析相关教学内容已经在公开网站（https://coursehome.zhihuishu.com/courseHome/1000008230/45672/15#teachTeam）进行了发布，提供了理论和实验教学的视频、教学大纲、知识题库、课程问答等全部学习资源。本书所载的教学资源在仅仅一学年内已有超过42所不同类型的全国高校、10000余人进行了线上学习，教学效果好、满意度达到92.9%，推荐率更是高达93.4%。 全书按照大数据分析的流程，系统地介绍了商业大数据分析从大数据采集、数据存储与管理、到大数据预处理、大数据分析、大数据可视化，以及大数据计算所需的基础设施等知识，形成比较完整、系统的商业大数据分析知识体系结构。 选取了国际著名开源、开放的图形化商业大数据分析工具KNIME 4.1作为实践工具，根据章节的知识点，在每一章后设计了相关的大数据分析进阶实验，让读者不仅掌握知识，更能运用相关的商业大数据分析技能，做到学以致用。通过实验，也加深了读者对商业大数据知识的理解，极大地提高了对商业大数据分析学习和使用的兴趣。因为KNIME中完全兼容Python 3计算机编程语言，也可以让有一定程序设计基础的读者将Python程序直接在KNIME中运行，进行大数据分析使用。 本书不仅适合酒店管理、电子商务、工商管理、金融学、市场营销、商务经济学等商科类相关专业的本科生或研究生作为教材使用，也可作为大数据分析领域的初学者、从业者及科技人员参考。

第1章 大数据分析概述
学习引导
学习重点
1.1数据和大数据
1.1.1 大数据时代
1.1.2 大数据定义
1.1.3 大数据特点
1.1.4 大数据影响
1.2大数据分析
1.2.1 大数据分析的定义
1.2.2 大数据分析的流程
1.2.3 大数据分析相关概念
1.2.4 大数据分析的工具
1.3大数据分析应用
1.3.1 银行大数据分析
1.3.2 财务大数据分析
1.3.3 电商大数据分析
1.3.4 物流大数据分析
1.3.5 旅游大数据分析
1.3.6 国际贸易大数据分析
1.3.7 健康医疗大数据分析
1.4大数据岗位需求
本章小结
课后实验
第2章 大数据基础设施
学习引导
学习重点
2.1大数据计算部件
2.1.1 CPU
2.1.2 GPU
2.1.3 FPGA
2.1.4 TPU
2.2云计算
2.2.1 提升计算能力的方式
2.2.2 分布式计算
2.2.3 分布式计算机类型
2.2.4 分布式计算特点
2.2.5 云计算概述
2.2.6 云计算服务模式
2.2.7 云计算部署模型
2.3其他云技术
2.3.1 云存储技术
2.3.2 虚拟化技术
2.4大数据软件
2.4.1 操作系统
2.4.2 数据库系统
2.4.3 Hadoop概述
2.5大数据计算模式
2.5.1 批量计算模式
2.5.2 流式计算模式
2.5.3 查询分析计算模式
2.5.4 图计算模式
本章小结
课后实验
第3章 大数据采集
学习引导
学习重点
3.1大数据采集
3.1.1 什么是大数据采集
3.1.2 数据类型
3.1.3 数据采集与大数据采集的区别
3.2大数据来源
3.2.1 数据来源
3.2.2 传感器
3.2.3 系统日志
3.2.4 网络爬虫
3.2.5 数据库
3.3网络爬虫
3.3.1 网络爬虫
3.3.2 网络爬虫分类
3.3.3 网络爬虫的流程
3.3.4 正则表达式解析网页
3.3.5 网络爬虫引发的问题
本章小结
课后实验
第4章 数据预处理
学习引导
学习重点
4.1数据预处理概述
4.1.1 数据治理
4.1.2 数据预处理
4.2数据质量
4.3数据探索
4.3.1 数据描述方法
4.3.2 数理统计方法
4.4数据清洗
4.5数据集成
4.6数据规约
4.7数据变换
本章小结
思考与练习
实验：数据预处理
第5章 数据存储与管理
学习引导
学习重点
5.1数据管理
5.1.1 数据管理的定义
5.1.2 数据管理的演变
5.2数据库概述
5.2.1 数据库及相关概念
5.2.2 数据库的分类
5.3关系数据库系统
5.3.1 关系型数据库与关系模型
5.3.2 结构化查询语言（SQL）
5.3.3 索引与事务
5.3.4 MySQL
5.4大数据存储与管理
5.4.1 数据仓库
5.4.2 分布式数据库
5.4.3 NoSQL数据库
5.4.3.1 NoSQL数据库定义
5.4.3.2 NoSQL分类
5.4.4 大数据管理新格局
本章小结
思考与练习
课后实验：关系型数据库
第6章 大数据分析
学习引导
学习重点
6.1大数据分析概述
6.1.1 数据分析与大数据分析
6.1.2 大数据分析的方法
6.2机器学习
6.2.1 机器学习的定义
6.2.2 机器学习的流派
6.2.3 机器学习的应用领域
6.2.4 机器学习的分类
6.2.5 机器学习建模流程
6.3特征工程与数据分割
6.3.1 特征工程
6.3.2 数据集的划分方法
6.4机器学习建模算法
6.4.1 回归算法
6.4.2 正则化方法
6.4.3 基于实例的算法
6.4.4 决策树算法
6.4.5 贝叶斯方法
6.4.6 基于核的算法
6.4.7 聚类算法
6.4.8 关联规则算法
6.4.9 人工神经网络
6.4.10深度学习
6.4.11降低维度算法
6.4.12集成算法
6.5模型的训练与性能评估
6.5.1 模型的训练
6.5.2 分类模型的性能评估
6.5.3 回归模型的性能评估
本章小结
思考与练习
课后实验：数据分析
第7章 大数据可视化
学习引导
学习重点
7.1数据可视化
7.1.1 数据可视化概述
7.1.2 可视化分类
7.1.3 数据可视化的挑战
7.2视觉感知
7.2.1 视觉感知
7.2.2 视觉感知处理过程
7.2.3 视觉颜色
7.3统计图
7.3.1 统计图
7.3.2 可视化的基础图表
7.4视觉可视化案例
7.4.1 垃圾短信类型分析
7.4.2 美国Oakland地区犯罪数据的可视化
7.4.3 手机数据可视化应用
本章小结
思考与练习
课后实验：数据可视化