商業大數據分析

標籤

本書是一本融合知識和技能的商業大數據分析教材，集合了文字、多媒體、知識庫等多種信息傳遞渠道，即便是零基礎的讀者也可以通過本書及其配套教學資源快速掌握和使用商業大數據分析技能。在本書出版之前，商業大數據分析相關教學內容已經在公開網站（https://coursehome.zhihuishu.com/courseHome/1000008230/45672/15#teachTeam）進行了發佈，提供了理論和實驗教學的視頻、教學大綱、知識題庫、課程問答等全部學習資源。本書所載的教學資源在僅僅一學年內已有超過42所不同類型的全國高校、10000餘人進行了線上學習，教學效果好、滿意度達到92.9%，推薦率更是高達93.4%。 全書按照大數據分析的流程，系統地介紹了商業大數據分析從大數據採集、數據存儲與管理、到大數據預處理、大數據分析、大數據可視化，以及大數據計算所需的基礎設施等知識，形成比較完整、系統的商業大數據分析知識體系結構。 選取了國際著名開源、開放的圖形化商業大數據分析工具KNIME 4.1作為實踐工具，根據章節的知識點，在每一章後設計了相關的大數據分析進階實驗，讓讀者不僅掌握知識，更能運用相關的商業大數據分析技能，做到學以致用。通過實驗，也加深了讀者對商業大數據知識的理解，極大地提高了對商業大數據分析學習和使用的興趣。因為KNIME中完全兼容Python 3計算機編程語言，也可以讓有一定程序設計基礎的讀者將Python程序直接在KNIME中運行，進行大數據分析使用。 本書不僅適合酒店管理、電子商務、工商管理、金融學、市場營銷、商務經濟學等商科類相關專業的本科生或研究生作為教材使用，也可作為大數據分析領域的初學者、從業者及科技人員參考。

第1章 大數據分析概述
學習引導
學習重點
1.1數據和大數據
1.1.1 大數據時代
1.1.2 大數據定義
1.1.3 大數據特點
1.1.4 大數據影響
1.2大數據分析
1.2.1 大數據分析的定義
1.2.2 大數據分析的流程
1.2.3 大數據分析相關概念
1.2.4 大數據分析的工具
1.3大數據分析應用
1.3.1 銀行大數據分析
1.3.2 財務大數據分析
1.3.3 電商大數據分析
1.3.4 物流大數據分析
1.3.5 旅遊大數據分析
1.3.6 國際貿易大數據分析
1.3.7 健康醫療大數據分析
1.4大數據崗位需求
本章小結
課後實驗
第2章 大數據基礎設施
學習引導
學習重點
2.1大數據計算部件
2.1.1 CPU
2.1.2 GPU
2.1.3 FPGA
2.1.4 TPU
2.2雲計算
2.2.1 提升計算能力的方式
2.2.2 分佈式計算
2.2.3 分佈式計算機類型
2.2.4 分佈式計算特點
2.2.5 雲計算概述
2.2.6 雲計算服務模式
2.2.7 雲計算部署模型
2.3其他雲技術
2.3.1 雲存儲技術
2.3.2 虛擬化技術
2.4大數據軟件
2.4.1 操作系統
2.4.2 數據庫系統
2.4.3 Hadoop概述
2.5大數據計算模式
2.5.1 批量計算模式
2.5.2 流式計算模式
2.5.3 查詢分析計算模式
2.5.4 圖計算模式
本章小結
課後實驗
第3章 大數據採集
學習引導
學習重點
3.1大數據採集
3.1.1 什麼是大數據採集
3.1.2 數據類型
3.1.3 數據採集與大數據採集的區別
3.2大數據來源
3.2.1 數據來源
3.2.2 傳感器
3.2.3 系統日誌
3.2.4 網絡爬蟲
3.2.5 數據庫
3.3網絡爬蟲
3.3.1 網絡爬蟲
3.3.2 網絡爬蟲分類
3.3.3 網絡爬蟲的流程
3.3.4 正則表達式解析網頁
3.3.5 網絡爬蟲引發的問題
本章小結
課後實驗
第4章 數據預處理
學習引導
學習重點
4.1數據預處理概述
4.1.1 數據治理
4.1.2 數據預處理
4.2數據質量
4.3數據探索
4.3.1 數據描述方法
4.3.2 數理統計方法
4.4數據清洗
4.5數據集成
4.6數據規約
4.7數據變換
本章小結
思考與練習
實驗：數據預處理
第5章 數據存儲與管理
學習引導
學習重點
5.1數據管理
5.1.1 數據管理的定義
5.1.2 數據管理的演變
5.2數據庫概述
5.2.1 數據庫及相關概念
5.2.2 數據庫的分類
5.3關係數據庫系統
5.3.1 關係型數據庫與關係模型
5.3.2 結構化查詢語言（SQL）
5.3.3 索引與事務
5.3.4 MySQL
5.4大數據存儲與管理
5.4.1 數據倉庫
5.4.2 分佈式數據庫
5.4.3 NoSQL數據庫
5.4.3.1 NoSQL數據庫定義
5.4.3.2 NoSQL分類
5.4.4 大數據管理新格局
本章小結
思考與練習
課後實驗：關係型數據庫
第6章 大數據分析
學習引導
學習重點
6.1大數據分析概述
6.1.1 數據分析與大數據分析
6.1.2 大數據分析的方法
6.2機器學習
6.2.1 機器學習的定義
6.2.2 機器學習的流派
6.2.3 機器學習的應用領域
6.2.4 機器學習的分類
6.2.5 機器學習建模流程
6.3特徵工程與數據分割
6.3.1 特徵工程
6.3.2 數據集的劃分方法
6.4機器學習建模算法
6.4.1 迴歸算法
6.4.2 正則化方法
6.4.3 基於實例的算法
6.4.4 決策樹算法
6.4.5 貝葉斯方法
6.4.6 基於核的算法
6.4.7 聚類算法
6.4.8 關聯規則算法
6.4.9 人工神經網絡
6.4.10深度學習
6.4.11降低維度算法
6.4.12集成算法
6.5模型的訓練與性能評估
6.5.1 模型的訓練
6.5.2 分類模型的性能評估
6.5.3 迴歸模型的性能評估
本章小結
思考與練習
課後實驗：數據分析
第7章 大數據可視化
學習引導
學習重點
7.1數據可視化
7.1.1 數據可視化概述
7.1.2 可視化分類
7.1.3 數據可視化的挑戰
7.2視覺感知
7.2.1 視覺感知
7.2.2 視覺感知處理過程
7.2.3 視覺顏色
7.3統計圖
7.3.1 統計圖
7.3.2 可視化的基礎圖表
7.4視覺可視化案例
7.4.1 垃圾短信類型分析
7.4.2 美國Oakland地區犯罪數據的可視化
7.4.3 手機數據可視化應用
本章小結
思考與練習
課後實驗：數據可視化