幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

金融數據挖掘與商務智能--Python編程實踐

  • 作者：編者:譚勵|責編:袁勤勇//楊楓
  • 出版社：清華大學
  • ISBN：9787302633860
  • 出版日期：2023/11/01
  • 裝幀：平裝
  • 頁數：257
人民幣：RMB 49.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書是金融商務領域的基礎教材，以Python語言介紹了機器學習在商務領域的應用。全書分12章：第1?3章介紹商務智能和數據挖掘的基本概念，它們是進行商務智能應用的預備知識：第4?11章系統深入地講解現今已成熟的機器學習演算法和在商務領域的實際應用：第12章根據具體的商業案例，採用已介紹的演算法知識，通過不同的方法進行實際的應用，可以作為學習本書內容之後的研究重點。
    本書適合商務類專業和電腦類專業的本科生或研究生使用，也適合不具有機器學習或統計學背景，但是想要從業于商務領域的人士閱讀。
作者介紹
編者:譚勵|責編:袁勤勇//楊楓
目錄
第1章  商務智能概述
  1.1  商務智能的概念
    1.1.1  數據、信息與知識
    1.1.2  商務智能的定義
    1.1.3  商務智能的特點
    1.1.4  商務智能的過程
  1.2  商務智能的產生與發展
  1.3  商務智能與分析
    1.3.1  商務智能應用背景
    1.3.2  商務智能關鍵技術分析
  1.4  商務智能的系統架構及實施
    1.4.1  商務智能系統架構
    1.4.2  商務智能系統要素
    1.4.3  商務智能系統實施
  1.5  主流商務智能產品
  1.6  商務智能的未來發展趨勢
  1.7  商務智能的應用
  1.8  本章小結
第2章  商務智能中的核心技術
  2.1  數據預處理
    2.1.1  數據預處理概述
    2.1.2  數據預處理的必要性
    2.1.3  數據預處理的基本方法
    2.1.4  數據清洗
    2.1.5  數據集成
    2.1.6  數據變換
    2.1.7  數據歸約
  2.2  數據抽取-轉換-裝載
    2.2.1  相關概念
    2.2.2  數據抽取-轉換-裝載建模過程
    2.2.3  數據抽取-轉換-裝載模式介紹
  2.3  多維數據模型
    2.3.1  多維數據模型的概念
    2.3.2  多維數據模型的構建方法
  2.4  聯機分析處理
    2.4.1  聯機分析處理簡介
    2.4.2  聯機分析處理的分類
    2.4.3  聯機分析處理的基本概念和典型操作
    2.4.4  聯機分析處理系統的實現途徑及實施過程
    2.4.5  聯機分析處理的主流工具
  2.5  數據可視化
    2.5.1  數據可視化簡介
    2.5.2  數據可視化的優勢
    2.5.3  數據可視化工具
  2.6  本章小結
第3章  數據挖掘概述
  3.1  數據挖掘的起源與發展
    3.1.1  數據挖掘的起源
    3.1.2  數據挖掘的發展
  3.2  數據挖掘所要解決的問題

  3.3  數據挖掘的定義
  3.4  數據挖掘的過程
  3.5  數據挖掘系統
  3.6  數據挖掘的功能和方法
    3.6.1  數據挖掘的功能
    3.6.2  數據挖掘的方法
  3.7  數據挖掘的典型應用領域
  3.8  數據挖掘的發展趨勢
  3.9  本章小結
第4章  Apriori關聯規則演算法
  4.1  Apriori演算法原理
    4.1.1  頻繁項集的評估標準
    4.1.2  Apriori演算法思想
    4.1.3  Apriori演算法流程
  4.2  Python代碼實現
  4.3  案例4-1：信用卡消費推薦
    4.3.1  實驗步驟
    4.3.2  實驗結果
    4.3.3  實驗總結
  4.4  本章小結
第5章  決策樹分類演算法
  5.1  決策樹演算法原理
    5.1.1  決策樹是什麼
    5.1.2  如何生成決策樹
    5.1.3  決策樹生成之後做什麼
    5.1.4  決策樹演算法步驟
    5.1.5  決策樹演算法的優勢和劣勢
  5.2  Python代碼實現
  5.3  案例5-1：基於決策樹的理財產品促銷
    5.3.1  實驗原理
    5.3.2  實驗步驟
    5.3.3  實驗結果
    5.3.4  實驗總結
  5.4  本章小結
第6章  樸素貝葉斯分類演算法
  6.1  樸素貝葉斯分類演算法原理
    6.1.1  貝葉斯原理
    6.1.2  樸素貝葉斯
    6.1.3  樸素貝葉斯演算法流程
    6.1.4  樸素貝葉斯演算法的優缺點
  6.2  Python代碼實現
  6.3  案例6-1：基於樸素貝葉斯的理財產品促銷
    6.3.1  實驗步驟
    6.3.2  實驗結果
    6.3.3  實驗總結
  6.4  本章小結
第7章  k近鄰分類與k均值聚類演算法
  7.1  k近鄰分類原理與實現
    7.1.1  距離
    7.1.2  k值選擇

    7.1.3  分類規則
    7.1.4  k近鄰演算法分類的工作原理總結
    7.1.5  k近鄰演算法分類的優缺點
    7.1.6  k近鄰演算法分類的代碼
  7.2  k近鄰演算法案例
    7.2.1  實驗原理
    7.2.2  實驗步驟
    7.2.3  實驗結果
    7.2.4  實驗總結
  7.3  均值聚類原理與實現
    7.3.1  什麼是k均值聚類演算法
    7.3.2  均值聚類的演算法過程
    7.3.3  k均值聚類的演算法代碼
  7.4  k均值聚類案例
    7.4.1  實驗原理
    7.4.2  實驗步驟
    7.4.3  實驗結果
    7.4.4  實驗總結
  7.5  本章小結
第8章  神經網路演算法
  8.1  人工神經網路模型
    8.1.1  人工神經網路的概念
    8.1.2  人工神經網路的發展
    8.1.3  人工神經網路的特點
    8.1.4  人工神經網路的結構
    8.1.5  人工神經網路模型
  8.2  案例8-1：股票價格波動分析
    8.2.1  實驗步驟
    8.2.2  實驗結果
    8.2.3  實驗總結
  8.3  本章小結
第9章  線性回歸模型
  9.1  線性回歸
  9.2  線性回歸實例
    9.2.1  演算法原理
    9.2.2  實驗步驟
    9.2.3  實驗結果
  9.3  本章小結
第10章  邏輯回歸模型
  10.1  邏輯回歸模型的演算法原理
    10.1.1  什麼是邏輯回歸
    10.1.2  向量化
    10.1.3  正則化
    10.1.4  多類分類問題
  10.2  案例10-1：客戶流失預警模型
    10.2.1  實驗原理
    10.2.2  實驗步驟
    10.2.3  實驗結果
  10.3  本章小結
第11章  AdaBoost演算法與數據聚類模型

  11.1  AdaBoost演算法原理
    11.1.1  AdaBoost是什麼
    11.1.2  AdaBoost演算法流程
    11.1.3  AdaBoost實例
    11.1.4  AdaBoost的誤差界
    11.1.5  AdaBoost指數損失函數推導
    11.1.6  AdaBoost代碼實現
  11.2  DBSCAN演算法的基本原理
    11.2.1  DBSCAN演算法的基本概念
    11.2.2  DBSCAN演算法描述
    11.2.3  DBSCAN演算法實例
    11.2.4  DBSCAN演算法的優缺點
  11.3  本章小結
第12章  綜合案例
  12.1  案例12-1：信用卡虛假交易實例
    12.1.1  實驗原理
    12.1.2  實驗步驟
    12.1.3  實驗結果
    12.1.4  實驗總結
  12.2  案例12-2：房價租金預測
    12.2.1  實驗原理
    12.2.2  實驗結果
    12.2.3  實驗總結
  12.3  案例12-3：金融客戶貸款違約預測實例
    12.3.1  實驗結果
    12.3.2  實驗總結
  12.4  本章小結
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032