数据科学与大数据技术专业系列规划教材。强调概念+算法实践，让你“小数据”上会“算”，“大数据”上“算得快”。
电子书
编辑推荐
联袂推荐
暨南大学教授、博士生导师刘建平，暨南大学研究生院副院长、经济学院统计学系副主任、教授、博士生导师陈光慧，天善智能创始人梁勇，IBM技术专家刘咏梅，IBM数据科学家钟云飞，广东省环保厅环境咨询专家委员会专家、广东柯内特环境科技有限公司总经理朱斌
本书特色
内容全面：涉及数据读取、数据处理、数据可视化、统计分析与检验、数据挖掘算法、自动建模、集成与扩展、模型部署、性能优化、数据挖掘方法论等诸多内容；
讲解透彻：既有理论的讲解，又涵盖应用的实践，而且在工具的介绍上，尽可能包括每一个选项的内容和应用形式，力求让读者“吃透”每一章节的内容；
突出实战：集行业经验、项目实践、算法剖析、应用技巧于一身，配套提供数据文件以及数据模型文件，方便读者动手实践。
内容简介
本书将详尽的介绍IBMSPSSModeler，主要涵盖基本软件操作，基本数据分析，高级数据挖掘，以及开发进阶使用等内容，力求帮助大家全面掌握Modeler工具。此外，本书也尽可能地把专业晦涩的数据科学知识及商业应用内容，以通俗易懂的方式传递给大家，同时结合实例，方便大家学习。
章节目录
- 封 面
- 内容提要
- 前 言
- 资源与支持
- 目 录
- 第1章 IBM SPSS Modeler基本介绍
- 1.1 SPSS简介
- 1.2 SPSS Modeler 的特点
- 1.3 CRISP-DM 方法论
- 1.4 SPSS Modeler 下载与安装
- 1.5 SPSS Modeler 的主界面及基本操作
- 1.5.1 主界面介绍
- 1.5.2 鼠标基本操作
- 1.6 SPSS Modeler 连接服务器端
- 1.7 从 SPSS Modeler 中获取帮助
- 1.8 实战技巧
- 第2章 数据读取——源节点
- 2.1 数据的身份（存储类型、测量级别和角色）
- 2.1.1 变量的存储类型
- 2.1.2 变量的测量级别
- 2.1.3 变量的角色
- 2.2 数据读取
- 2.2.1 读取 Excel 文件数据
- 2.2.2 读取变量文件数据
- 2.2.3 读取 SPSS（.sav）文件数据
- 2.2.4 读取数据库数据
- 2.3 实战技巧
- 第3章 数据整理—关于数据的基本设定与集成
- 3.1 字段的“类型”功能
- 3.2 字段的“过滤器”功能
- 3.3 数据集成
- 3.3.1 数据的记录集成：追加节点
- 3.3.2 数据的字段集成：合并节点
- 3.4 实战技巧
- 第4章 数据整理——关于行的处理
- 4.1 数据“选择”功能
- 4.1.1 功能介绍
- 4.1.2 实战技巧
- 4.2 使用参数及全局变量实现数据选择功能
- 4.2.1 参数功能
- 4.2.2 使用参数实例介绍
- 4.2.3 使用全局变量功能介绍
- 4.2.4 使用全局变量实例介绍
- 4.3 数据排序
- 4.4 数据区分
- 4.5 数据汇总
- 4.5.1 功能介绍
- 4.5.2 实战技巧
- 第5章 数据整理——关于列的处理
- 5.1 导出
- 5.1.1 功能介绍
- 5.1.2 实例介绍
- 5.2 填充
- 5.3 重新分类
- 5.4 匿名化
- 5.5 分级化
- 5.6 设为标志
- 5.6.1 功能介绍
- 5.6.2 实例介绍
- 5.7 重建
- 5.7.1 功能介绍
- 5.7.2 实例介绍
- 5.8 转置
- 5.8.1 功能介绍
- 5.8.2 实例介绍
- 5.9 历史记录
- 5.9.1 功能介绍
- 5.9.2 实例介绍
- 5.10 字段重排
- 5.11 时间间隔
- 5.11.1 功能介绍
- 5.11.2 实例介绍
- 5.12 自动数据准备
- 第6章 图形可视化——图形节点
- 6.1 “散点图”节点
- 6.1.1 散点图
- 6.1.2 线图
- 6.1.3 多重散点图
- 6.1.4 时间散点图
- 6.2 “条形图”节点
- 6.2.1 简单条形图
- 6.2.2 堆积条形图
- 6.3 “直方图”节点
- 6.3.1 直方图
- 6.3.2 堆积直方图
- 6.4 “网络”节点
- 6.5 “图形板”节点
- 6.5.1 气泡图
- 6.5.2 散点图矩阵
- 6.5.3 箱图
- 6.5.4 聚类箱图
- 6.5.5 热图
- 6.6 实战技巧：图形的编辑模式
- 第7章 描述性统计分析
- 7.1 描述性统计分析概述
- 7.2 数据审核，一键输出描述性统计分析结果
- 7.3 缺失值的定义、检查和处理
- 7.3.1 缺失值的定义和检查
- 7.3.2 缺失值的自动化处理
- 7.4 实战技巧
- 第8章 常用的统计检验分析
- 8.1 两个连续型变量的关系分析——相关分析
- 8.1.1 相关分析
- 8.1.2 相关分析实践——“Statistics”节点
- 8.2 两个分类型变量的关系分析——卡方检验
- 8.2.1 列联表与卡方检验
- 8.2.2 卡方检验实践——“矩阵”节点
- 8.3 连续型变量与分类型变量间的关系分析——t检验及卡方分析
- 8.3.1 两组独立样本均值比较
- 8.3.2 两组配对样本均值比较
- 8.3.3 方差分析
- 8.3.4 均值比较实践——“平均值”节点
- 8.4 实战技巧：相关分析的注意事项
- 第9章 回归分析
- 9.1 一元线性回归分析
- 9.2 一元线性回归实践
- 9.3 多元线性回归分析
- 9.4 多元线性回归实践
- 9.5 逐步回归分析
- 9.6 逐步回归实践
- 9.7 实战技巧
- 第10章 Logistic回归分析
- 10.1 Logistic 回归理论概要
- 10.2 Logistic 回归中的检验
- 10.2.1 方程的显著性检验
- 10.2.2 系数显著性检验
- 10.2.3 拟合优度检验
- 10.3 Logistic 回归实践案例
- 10.4 实战技巧
- 第11章 建模前的优化及准备工作
- 11.1 样本管理与分区
- 11.1.1 数据抽样
- 11.1.2 数据分区
- 11.1.3 数据平衡
- 11.2 特征选择
- 11.3 数据变换
- 11.4 实战技巧：分区与平衡的顺序
- 第12章 RFM分析
- 第13章 决策树
- 13.1 决策树概述
- 13.1.1 决策树的直观理解
- 13.1.2 决策树的生长
- 13.1.3 决策树的剪枝
- 13.2 C5.0算法
- 13.2.1 C5.0 算法的决策树生长
- 13.2.2 C5.0 算法的决策树剪枝
- 13.2.3 代价敏感学习
- 13.2.4 C5.0 算法实践案例
- 13.3 CART算法
- 13.3.1 CART 算法的决策树生长
- 13.3.2 CART 算法的决策树剪枝
- 13.3.3 先验概率
- 13.3.4 CART 算法实践案例
- 13.4 实战技巧
- 13.4.1 生成规则集
- 13.4.2 跟踪规则
- 第14章 神经网络
- 14.1 感知机
- 14.2 多层感知机与误差反向传播算法
- 14.2.1 隐藏层
- 14.2.2 反向传播算法
- 14.3 神经网络实践
- 14.4 实战技巧：生成“报告”
- 第15章 集成学习算法
- 15.1 Bagging
- 15.2 Boosting
- 15.3 随机森林
- 15.4 集成学习算法实践
- 15.4.1 Bagging 和 Boosting 实践
- 15.4.2 随机森林实践
- 15.4.3 各个集成学习算法的结果比较
- 15.5 异质集成——“整体”节点
- 第16章 聚类分析
- 16.1 聚类方法概述
- 16.2 聚类方法的关键：距离
- 16.3 K-means 算法
- 16.3.1 K-means 算法原理
- 16.3.2 K-means 的其他注意事项
- 16.4 K-means 聚类实践
- 16.5 实践技巧：使用平行图进行比较分析
- 第17章 KNN分类器
- 17.1 KNN 学习方法原理
- 17.2 KNN 分类实践
- 17.2.1 分类预测
- 17.2.2 最近邻识别
- 第18章 关联分析
- 18.1 关联分析的基本概念
- 18.2 关联规则的有效性指标
- 18.2.1 关联规则的基础评价性指标
- 18.2.2 关联规则的实用性指标
- 18.2.3 其他的关联规则评估指标
- 18.3 Apriori算法
- 18.3.1 生成频繁项集
- 18.3.2 生成关联规则
- 18.4 Apriori 关联分析实践
- 18.5 实战技巧：导出生成的关联规则
- 第19章 自动建模
- 19.1 自动分类
- 19.1.1 功能介绍
- 19.1.2 实例介绍
- 19.2 自动聚类
- 19.2.1 功能介绍
- 19.2.2 实例介绍
- 19.3 自动数值
- 19.3.1 功能介绍
- 19.3.2 实例介绍
- 第20章 蒙特卡罗模拟法
- 20.1 模拟生成
- 20.1.1 功能介绍
- 20.1.2 实例介绍
- 20.2 模拟拟合
- 20.2.1 功能介绍
- 20.2.2 实例介绍
- 20.3 模拟求值
- 20.3.1 功能介绍
- 20.3.2 实例介绍
- 第21章 SPSS Modeler的集成与扩展
- 21.1 SPSS Modeler 与 R、Python 集成
- 21.1.1 概述
- 21.1.2 SPSS Modeler与 R 的集成环境准备
- 21.1.3 与 R 的集成功能介绍
- 21.1.4 实例介绍
- 21.2 定制对话框实现与 R、Python 的集成
- 21.2.1 定制对话框简介
- 21.2.2 安装配置自定义节点
- 21.3 SPSS Modeler 扩展功能
- 21.3.1 功能介绍
- 21.3.2 获取天气数据的应用分析案例
- 第22章 SPSS Modeler模型部署
- 22.1 产品架构
- 22.2 通过批处理任务定时运行模型
- 22.2.1 功能介绍
- 22.2.2 实例介绍
- 22.3 SPSS Modeler 服务器安装及管理（For Linux）
- 22.3.1 正常维护 SPSS Modeler服务器
- 22.3.2 SPSS Modeler 服务器如何在 Linux 上安装及配置
- 22.3.3 配置 ODBC 连接数据库
- 22.4 SPSS Modeler 官方支持的数据库和 Hadoop 平台
- 第23章 性能优化
- 23.1 功能介绍
- 23.2 客户端 SQL 性能优化
- 23.3 数据库内建模
- 23.3.1 功能介绍
- 23.3.2 实例介绍
- 23.4 使用外部程序批量加载
展开全部
IBM SPSS Modeler 18.0数据挖掘权威指南是2019年由人民邮电出版社出版,作者张浩彬。
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《IBM SPSS Modeler 18.0数据挖掘权威指南》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
电子书
电子书
将Hadoop和Spark组合起来进行剖析，呈现完整的大数据技术方案。
电子书
（1）内容全面，覆盖当前数据挖掘的主要应用。在介绍每个应用案例时，详细阐述应用的背景，该领域中数据的来源和特点，数据采集与预处理方式，应用领域中数据挖掘的任务和实施数据挖掘技术的难点。同时提供相应的数据挖掘算法分析、工具设计以及系统实现。
（2）条理清晰、便于理解。一方面，面向热爱和关心数据挖掘技术的学术界和工业界读者，帮助他们更好地理解研究的目的和应用的基础；另一方面，让没有太多相关技术背景的读者可以通过阅读本书能够了解数据挖掘的意义和价值，可以看出数据挖掘是如何被广泛地应用于实际案例并成为解决各种问题的核心工具。
电子书
《机器学习实战》面向日常任务的高效实战内容，介绍并实现机器学习的主流算法。
电子书
全面讲解SPSS软件在医学统计学上的应用。
电子书
本书从实用的角度出发，全面讲解MySQL数据库技术。
电子书
本书系统介绍了大数据的相关知识，分为大数据基础篇、大数据存储与管理篇、大数据处理与分析篇、大数据应用篇。
电子书
本书通过实战案例和可视化的图形讲解数据分析的知识。
