《拥抱大数据（新常态下的数 据分析典型案例）》首先介绍了大数据的由来与数据 分析师职业的前景，概述了大数据的特点及其分析方 法，引发读者对数据分析师的向往。然后介绍了如今流行的近三十种大数据算法，每种算法都附有一个 成功的商业案例，通过案例深入分析每种算法的长处 、缺点、适用范围等，使读者不仅知其然，知其所以然。该书比介绍大数据类的书籍具有更多的理论知识 ，比各种算法的教科书含有更多的实际应用，是两者的巧妙过渡，适合对大数据有一定了解的读者，可以 帮助读者在短时间内深入学习大数据分析的算法体系 ，并进一步帮助读者挑选需要精学的、适合自己的算法。
目录
- 第一章 为什么市场需要数据分析师
- 1.1 大数据的前世今生
- 1.2 大数据的具体定义
- 1.3 数据分析行业现状及巨大缺口
- 第二章 什么是数据分析师
- 2.1 明确两个概念
- 2.2 从四份招聘简历说起
- 2.2.1 第一份招聘简历要求
- 2.2.2 第二份招聘简历要求
- 2.2.3 第三份招聘简历要求
- 2.2.4 第四份招聘简历要求
- 2.3 数据分析师常见专业出身
- 2.3.1 数学与应用数学、统计学专业
- 2.3.2 经济管理类专业
- 2.3.3 计算机理论类专业
- 2.3.4 计算机应用类专业
- 2.3.5 其他专业
- 2.4 数据分析师可从事行业
- 2.4.1 互联网行业
- 2.4.2 制造行业
- 2.4.3 投资分析行业
- 2.4.4 咨询行业
- 2.4.5 其他类公司综述
- 第三章 如何成为数据分析师
- 3.1 数据分析师基础知识储备
- 3.1.1 基础统计知识
- 3.1.2 基础的数据库知识
- 3.1.3 Office办公软件和专业数据分析工具
- 3.1.4 基础算法编程知识
- 3.1.5 业务知识
- 3.1.6 一些数据分析经验
- 3.1.7 小结
- 3.2 数据分析师常用工具盘点
- 3.2.1 Excel
- 3.2.2 SPSS
- 3.2.3 STATA
- 3.2.4 Eviews
- 3.2.5 SAS
- 3.2.6 Matlab
- 3.2.7 R
- 3.2.8 小结
- 3.3 数据分析师应该学习的网络课程
- 3.3.1 M00C类课程
- 3.3.2 网上学习平台
- 3.3.3 现场培训班
- 第四章 描述性统计分析
- 4.1 频数分布分析：用统计图解决伦敦霍乱
- 4.1.1 可怕的英国霍乱
- 4.1.2 约翰医生的实地调查
- 4.1.3 对伦敦霍乱平息过程的分析
- 4.1.4 频数分布分析总结
- 4.2 关注数据代表性：统计学家改良轰炸机
- 4.2.1 “二战”盟国轰炸德国伤亡惨重
- 4.2.2 轰炸机的返航率得到提高
- 4.2.3 对轰炸机改进过程的分析
- 4.2.4 数据代表性总结
- 4.3 异常值分析：1号店提升营销精准率
- 4.3.1 1号店的数据分析案例
- 4.3.2 1号店数据分析过程
- 4.3.3 异常值分析总结
- 4.4 对比分析：刻画豆瓣变现具体压力
- 4.4.1 豆瓣变现的难题
- 4.4.2 豆瓣变现的具体压力
- 4.4.3 对比分析总结
- 4.5 描述性统计分析概述：淘宝箱店类目分析
- 4.5.1 淘宝箱店类目背景
- 4.5.2 箱店类目分析实解
- 4.5.3 描述性统计分析小结
- 第五章 相关分析与回归分析
- 5.1 相关分析与回归分析基础-
- 5.2 矩阵分解：价值百万美元的Net6lx推荐系统
- 5.2.1 Netnlx为推荐系统悬赏百万美元
- 5.2.2 构建一个推荐系统
- 5.2.3 矩阵分解小结
- 5.3 一元线性回归：引发金融危机的风险价值模型
- 5.3.1 广受欢迎的风险价值模型
- 5.3.2 评估一个理财产品的风险
- 5.3.3 一元线性回归小结：
- 5.4 评分系统：星巴克选址借力大数据
- 5.4.1 越来越难以选择的快餐店地址
- 5.4.2 多元线性回归与评分系统
- 5.4.3 评分系统小结-
- 5.5 相关分析与回归分析概述：奥巴马使用大数据赢得大选
- 5.5.1 神奇的Survey Manager系统
- 5.5.2 美国大选详细解读
- 5.5.3 相关分析与回归分析总结
- 第六章 关联分析与聚类分析
- 6.1 关联分析与聚类分析基础
- 6.2 购物篮分析：啤酒与尿布的经典案例
- 6.2.1 沃尔玛超市里的啤酒与尿布
- 6.2.2 购物篮分析案例实解
- 6.2.3 购物篮分析小结
- 6.3 序列模式挖掘：Web访问模式帮助电商优化网站
- 6.3.1 我们为什么需要序列模式挖掘
- 6.3.2 Web访问模式与优化网站
- 6.3.3 序列模式挖掘小结
- 6.4 快速聚类：大数据捧火《纸牌屋》
- 6.4.1 大数据助Netfilx赌赢《纸牌屋》
- 6.4.2 透视《纸牌屋》背后的大数据算法
- 6.4.3 快速聚类小结
- 6.5 层次聚类：人人网好友推荐的奥秘
- 6.5.1 无处不在的好友推荐
- 6.5.2 朴素的人人网好友推荐算法
- 6.5.3 层次聚类与好友推荐小结
- 6.6 关联分析与聚类分析综述：加州极客的聚类分析把妹法
- 6.6.1 使用大数据寻找另一半
- 6.6.2 分成七类的潜在女朋友
- 6.6.3 关联分析与聚类分析小结
- 第七章 决策树与模式识别
- 7.1 C4.5算法：电信客户流失预测
- 7.1.1 电信客户的流失与预测
- 7.1.2 使用信息熵建立决策树模型
- 7.1.3 为一个决策树剪枝并解释其规则
- 7.1.4 决策树小结
- 7.2 RBF神经网络：“房价网”的二手房价格评估
- 7.2.1 二手房价格评估的局限性
- 7.2.2 RBF神经网络的构建与解释
- 7.2.3 RBF神经网络小结
- 7.3 贝叶斯分析：神奇的谷歌智能翻译
- 7.3.1 世界第一的谷歌翻译
- 7.3.2 贝叶斯分析和智能翻译应用
- 7.3.3 贝叶斯分析小结
- 7.4 支持向量机：应用广泛的手写识别与语音识别
- 7.4.1 从阿里巴巴说起的模式识别
- 7.4.2 解决了高维诅咒的支持向量机
- 7.4.3 支持向量机小结
- 7.5 判别分析：肯德基通过客户分类大幅提高营业额
- 7.5.1 难以复制的肯德基APP营销模式
- 7.5.2 用于分类的线性判别分析
- 7.5.3 判别分析小结
- 7.6 模式识别综述：日趋成熟的信用评分模型
- 7.6.1 美国为限制信用评分模型立法
- 7.6.2 用多种算法实现信用评分模型
- 7.6.3 模式识别小结
- 第八章 更多的数据挖掘算法
- 8.1 核密度估计法：警务大数据预测犯罪
- 8.1.1 《少数派报告》的现实版
- 8.1.2 核密度估计法和圣克鲁兹市的犯罪地图
- 8.1.3 核密度估计法小结
- 8.2 Flu Trends：谷歌流感趋势算法帮助控制疫情
- 8.2.1 谷歌流感趋势算法的成与败
- 8.2.2 谷歌流感趋势算法与流感关联词
- 8.2.3 以F1u Trends为代表的预测算法小结
- 8.3 Apriori算法：透视美国国会投票模式
- 8.3.1 以立法者自居的美国国会议员
- 8.3.2 Apriori算法和关联分析
- 8.3.3 国会投票模式小结
- 8.4 SVD简化数据：IBM软件自动生成新菜谱
- 8.4.1 IBM推出可生成无限食谱的APP
- 8.4.2 SVD简化数据与综合计算
- 8.4.3 创新菜谱软件小结
- 8.5 大数据预测算法盘点：百度预测世界杯成功率81.8％
- 8.5.1 群英荟萃的绿茵场
- 8.5.2 大数据预测算法模型大盘点
- 8.5.3 大数据预测算法小结
- 8.6 网络理论分析：西班牙球队的控球哲学
- 8.6.1 独树一帜的西班牙球队控球哲学
- 8.6.2 以网络理论分析为基础的聚类分析
- 8.6.3 网络理论分析小结
