大數(shù)據(jù)挖掘:系統(tǒng)方法與實(shí)例分析是大數(shù)據(jù)挖掘領(lǐng)域的扛鼎之作，由全球科學(xué)計(jì)算領(lǐng)域的領(lǐng)導(dǎo)者M(jìn)athWorks（MATLAB公司）官方的資深數(shù)據(jù)挖掘?qū)＜易珜懀琈athWorks官方及多位專家聯(lián)袂推薦。

它從技術(shù)、方法、案例和*佳實(shí)踐4個(gè)維度對(duì)如何系統(tǒng)、深入掌握大數(shù)據(jù)挖掘提供了詳盡的講解。

技術(shù)：不僅講解了大數(shù)據(jù)挖掘的原理、過程、工具，還講解了大數(shù)據(jù)的準(zhǔn)備、處理、與探索；

方法：既深入地講解了關(guān)聯(lián)規(guī)則方法、回歸方法、分類方法、聚類方法、預(yù)測(cè)方法、診斷方法等6大類數(shù)據(jù)挖掘主體方法，又重點(diǎn)講解了時(shí)間序列方法和智能優(yōu)化方法兩種數(shù)據(jù)挖掘中常用的方法；

案例：詳細(xì)地再現(xiàn)了來自銀行、證券、機(jī)械、礦業(yè)、生命科學(xué)和社會(huì)科學(xué)等6大領(lǐng)域的經(jīng)典案例，不僅有案例的實(shí)現(xiàn)過程，而且還有案例原理和預(yù)備知識(shí)的的講解；

首先總結(jié)了數(shù)據(jù)挖掘中確定挖掘、應(yīng)用技術(shù)以及如何平衡的藝術(shù)，然后總結(jié)了數(shù)據(jù)挖掘的項(xiàng)目管理和團(tuán)隊(duì)管理的藝術(shù)。

目錄
第一篇基礎(chǔ)篇
第1章緒論
1.1 大數(shù)據(jù)與數(shù)據(jù)挖掘
1.1.1 何為大數(shù)據(jù)
1.1.2 大數(shù)據(jù)的價(jià)值
1.1.3 大數(shù)據(jù)與數(shù)據(jù)挖掘的關(guān)系
1.2 數(shù)據(jù)挖掘的概念和原理
1.2.1 什么是數(shù)據(jù)挖掘
1.2.2 數(shù)據(jù)挖掘的原理
1.3 數(shù)據(jù)挖掘的內(nèi)容
1.3.1 關(guān)聯(lián)
1.3.2 回歸
1.3.3 分類
1.3.4 聚類
1.3.5 預(yù)測(cè)
1.3.6 診斷
1.4 數(shù)據(jù)挖掘的應(yīng)用領(lǐng)域
1.4.1 零售業(yè)
1.4.2 銀行業(yè)
1.4.3 證券業(yè)
1.4.4 能源業(yè)
1.4.5 醫(yī)療行業(yè)
1.4.6 通信行業(yè)
1.4.7 汽車行業(yè)
1.4.8 公共事業(yè)
1.5 大數(shù)據(jù)挖掘的要點(diǎn)
1.6 小結(jié)
參考文獻(xiàn)
第2章數(shù)據(jù)挖掘的過程及工具
2.1 數(shù)據(jù)挖掘過程概述
2.2 挖掘目標(biāo)的定義
2.3 數(shù)據(jù)的準(zhǔn)備
2.4 數(shù)據(jù)的探索
2.5 模型的建立
2.6 模型的評(píng)估
2.7 模型的部署
2.8 工具的比較與選擇
2.9 小結(jié)
參考文獻(xiàn)
第3章 MATLAB數(shù)據(jù)挖掘快速入門
3.1 MATLAB快速入門
3.1.1 MATLAB概要
3.1.2 MATLAB的功能
3.1.3 快速入門案例
3.1.4 入門后的提高
3.2 MATLAB常用技巧
3.2.1 常用標(biāo)點(diǎn)的功能
3.2.2 常用操作指令
3.2.3 指令編輯操作鍵
3.2.4 MATLAB數(shù)據(jù)類型
3.3 MATLAB開發(fā)模式
3.3.1 命令行模式
3.3.2 腳本模式
3.3.3 面向?qū)ο竽Ｊ?br /> 3.3.4 三種模式的配合
3.4 MATLAB數(shù)據(jù)挖掘引例
3.5 MATLAB集成數(shù)據(jù)挖掘工具
3.5.1 分類學(xué)習(xí)機(jī)簡(jiǎn)介
3.5.2 交互探索算法的方式
3.5.3 MATLAB分類學(xué)習(xí)機(jī)應(yīng)用實(shí)例
3.6 小結(jié)
第二篇技術(shù)篇
第4章數(shù)據(jù)的準(zhǔn)備
4.1 數(shù)據(jù)的收集
4.1.1 認(rèn)識(shí)數(shù)據(jù)
4.1.2 數(shù)據(jù)挖掘的數(shù)據(jù)源
4.1.3 數(shù)據(jù)抽樣
4.1.4 金融行業(yè)的數(shù)據(jù)源
4.1.5 從雅虎獲取交易數(shù)據(jù)
4.1.6 從大智慧獲取財(cái)務(wù)數(shù)據(jù)
4.1.7 從Wind獲取高質(zhì)量數(shù)據(jù)
4.2 數(shù)據(jù)質(zhì)量分析
4.2.1 數(shù)據(jù)質(zhì)量分析的必要性
4.2.2 數(shù)據(jù)質(zhì)量分析的目地
4.2.3 數(shù)據(jù)質(zhì)量分析的內(nèi)容
4.2.4 數(shù)據(jù)質(zhì)量分析方法
4.2.5 數(shù)據(jù)質(zhì)量分析的結(jié)果及應(yīng)用
4.3 數(shù)據(jù)預(yù)處理
4.3.1 為什么需要數(shù)據(jù)預(yù)處理
4.3.2 數(shù)據(jù)預(yù)處理的方法
4.3.3 數(shù)據(jù)清洗
4.3.4 數(shù)據(jù)集成
4.3.5 數(shù)據(jù)歸約
4.3.6 數(shù)據(jù)變換
4.4 小結(jié)
參考文獻(xiàn)
第5章數(shù)據(jù)的探索
5.1 衍生變量
5.1.1 衍生變量的定義
5.1.2 變量衍生的原則和方法
5.1.3 常用的股票衍生變量
5.1.4 評(píng)價(jià)型衍生變量
5.1.5 衍生變量數(shù)據(jù)收集與集成
5.2 數(shù)據(jù)的統(tǒng)計(jì)
5.2.1 基本描述性統(tǒng)計(jì)
5.2.2 分布描述性統(tǒng)計(jì)
5.3 數(shù)據(jù)可視化
5.3.1 基本可視化方法
5.3.2 數(shù)據(jù)分布形狀可視化
5.3.3 數(shù)據(jù)關(guān)聯(lián)情況可視化
5.3.4 數(shù)據(jù)分組可視化
5.4 樣本選擇
5.4.1 樣本選擇的方法
5.4.2 樣本選擇應(yīng)用實(shí)例
5.5 數(shù)據(jù)降維
5.5.1 主成分分析（PCA）基本原理
5.5.2 PCA應(yīng)用案例：企業(yè)綜合實(shí)力排序
5.5.3 相關(guān)系數(shù)降維
5.6 小結(jié)
參考文獻(xiàn)
第6章關(guān)聯(lián)規(guī)則方法
6.1 關(guān)聯(lián)規(guī)則概要
6.1.1 關(guān)聯(lián)規(guī)則提出背景
6.1.2 關(guān)聯(lián)規(guī)則的基本概念
6.1.3 關(guān)聯(lián)規(guī)則的分類
6.1.4 關(guān)聯(lián)規(guī)則挖掘常用算法
6.2 Apriori算法
6.2.1 Apriori算法基本思想
6.2.2 Apriori算法步驟
6.2.3 Apriori算法實(shí)例
6.2.4 Apriori算法程序?qū)崿F(xiàn)
6.2.5 算法的優(yōu)缺點(diǎn)
6.3 FP-Growth算法
6.3.1 FP-Growt算法步驟
6.3.2 FP-Growt算法實(shí)例
6.3.3 FP-Growt算法優(yōu)缺點(diǎn)
6.4 應(yīng)用實(shí)例：行業(yè)關(guān)聯(lián)選股法
6.5 小結(jié)
參考文獻(xiàn)
第7章數(shù)據(jù)回歸方法
7.1 一元回歸
7.1.1 一元線性回歸
7.1.2 一元非線性回歸
7.1.3 一元多項(xiàng)式回歸
7.2 多元回歸
7.2.1 多元線性回歸
7.2.2 多元多項(xiàng)式回歸
7.3 逐步歸回
7.3.1 逐步回歸基本思想
7.3.2 逐步回歸步驟
7.3.3 逐步回歸的MATLAB方法
7.4 Logistic回歸
7.4.1 Logistic模型
7.4.2 Logistic回歸實(shí)例
7.5 應(yīng)用實(shí)例：多因子選股模型的實(shí)現(xiàn)
7.5.1 多因子模型基本思想
7.5.2 多因子模型的實(shí)現(xiàn)
7.6 小結(jié)
參考文獻(xiàn)
第8章分類方法
8.1 分類方法概要
8.1.1 分類的概念
8.1.2 分類的原理
8.1.3 常用的分類方法
8.2 K-近鄰（KNN）
8.2.1 K-近鄰原理
8.2.2 K-近鄰實(shí)例
8.2.3 K-近鄰特點(diǎn)
8.3 貝葉斯分類
8.3.1 貝葉斯分類原理
8.3.2 樸素貝葉斯分類原理
8.3.3 樸素貝葉斯分類實(shí)例
8.3.4 樸素貝葉斯特點(diǎn)
8.4 神經(jīng)網(wǎng)絡(luò)
8.4.1 神經(jīng)網(wǎng)絡(luò)原理
8.4.2 神經(jīng)網(wǎng)絡(luò)實(shí)例
8.4.3 神經(jīng)網(wǎng)絡(luò)特點(diǎn)
8.5 邏輯斯蒂（Logistic）
8.5.1 邏輯斯蒂原理
8.5.2 邏輯斯蒂實(shí)例
8.5.3 邏輯斯蒂特點(diǎn)
8.6 判別分析
8.6.1 判別分析原理
8.6.2 判別分析實(shí)例
8.6.3 判別分析特點(diǎn)
8.7 支持向量機(jī)（SVM）
8.7.1 SVM基本思想
8.7.2 理論基礎(chǔ)
8.7.3 支持向量機(jī)實(shí)例
8.7.4 支持向量機(jī)特點(diǎn)
8.8 決策樹
8.8.1 決策樹的基本概念
8.8.2 決策樹的構(gòu)建步驟
8.8.3決策樹實(shí)例
8.8.4 決策樹特點(diǎn)
8.9 分類的評(píng)判
8.9.1 正確率
8.9.2 ROC曲線
8.10 應(yīng)用實(shí)例：分類選股法
8.10.1 案例背景
8.10.2 實(shí)現(xiàn)方法
8.11 延伸閱讀：其他分類方法
8.12 小結(jié)
參考文獻(xiàn)
第9章聚類方法
9.1 聚類方法概要
9.1.1 聚類的概念
9.1.2 類的度量方法
9.1.3 聚類方法的應(yīng)用場(chǎng)景
9.1.4 聚類方法分類
9.2 K-means方法
9.2.1 K-means原理和步驟
9.2.2 K-means實(shí)例1：自主編程
9.2.3 K-means實(shí)例2：集成函數(shù)
9.2.4 K-means特點(diǎn)
9.3 層次聚類
9.3.1 層次聚類原理和步驟
9.3.2 層次聚類實(shí)例
9.3.3 層次聚特點(diǎn)
9.4 神經(jīng)網(wǎng)絡(luò)聚類
9.4.1 神經(jīng)網(wǎng)絡(luò)聚類原理和步驟
9.4.2 神經(jīng)網(wǎng)絡(luò)聚類實(shí)例
9.4.3 神經(jīng)網(wǎng)絡(luò)聚類特點(diǎn)
9.5 模糊C-均值（FCM）方法
9.5.1 FCM原理和步驟
8.5.2 FCM應(yīng)用實(shí)例
9.5.3 FCM算法特點(diǎn)
9.6 高斯混合聚類方法
9.6.1 高斯混合聚類原理和步驟
9.6.2 高斯聚類實(shí)例
9.6.3 高斯聚類特點(diǎn)
9.7 類別數(shù)的確定方法
9.7.1 原理
9.7.2 實(shí)例
9.8 應(yīng)用實(shí)例：股票聚類分池
9.8.1 聚類目標(biāo)和數(shù)據(jù)描述
9.8.2 實(shí)現(xiàn)過程
9.8.3 結(jié)果及分析
9.9 延伸閱讀
9.9.1 目前聚類分析研究的主要內(nèi)容
9.9.2 SOM智能聚類算法
9.10 小結(jié)
參考文獻(xiàn)
第10章預(yù)測(cè)方法
10.1 預(yù)測(cè)方法概要
10.1.1 預(yù)測(cè)的概念
10.1.2 預(yù)測(cè)的基本原理
10.1.3 預(yù)測(cè)的準(zhǔn)確度評(píng)價(jià)及影響因素
10.1.4 常用的預(yù)測(cè)方法
10.2 灰色預(yù)測(cè)
10.2.1 灰色預(yù)測(cè)原理
10.2.2 灰色預(yù)測(cè)的實(shí)例
10.3 馬爾科夫預(yù)測(cè)
10.3.1 馬爾科夫預(yù)測(cè)原理
10.3.2 馬爾科夫過程的特性
10.3.3 馬爾科夫預(yù)測(cè)實(shí)例
10.4 應(yīng)用實(shí)例：大盤走勢(shì)預(yù)測(cè)
10.4.1 數(shù)據(jù)的選取及模型的建立
10.4.2 預(yù)測(cè)過程
10.4.3 預(yù)測(cè)結(jié)果與分析
10.5 小結(jié)
參考文獻(xiàn)
第11章診斷方法
11.1 離群點(diǎn)診斷概要
11.1.1 離群點(diǎn)診斷的定義
11.1.2 離群點(diǎn)診斷的作用
11.1.3 離群點(diǎn)診斷方法分類
11.2 基于統(tǒng)計(jì)的離群點(diǎn)診斷
11.2.1 理論基礎(chǔ)
11.2.2 應(yīng)用實(shí)例
11.2.3 優(yōu)點(diǎn)與缺點(diǎn)
11.3 基于距離的離群點(diǎn)診斷
11.3.1 理論基礎(chǔ)
11.3.2 應(yīng)用實(shí)例
11.3.3 優(yōu)點(diǎn)與缺點(diǎn)
11.4 基于密度的離群點(diǎn)挖掘
11.4.1 理論基礎(chǔ)
11.4.2 應(yīng)用實(shí)例
11.4.3 優(yōu)點(diǎn)與缺點(diǎn)
11.5 基于聚類的離群點(diǎn)挖掘
11.5.1 理論基礎(chǔ)
11.5.2 應(yīng)用實(shí)例
11.5.3 優(yōu)點(diǎn)與缺點(diǎn)
11.6 應(yīng)用實(shí)例：離群點(diǎn)診斷股票買賣擇時(shí)
11.7 延伸閱讀：新興的離群點(diǎn)挖掘方法
11.7.1 基于關(guān)聯(lián)的離群點(diǎn)挖掘
11.7.2 基于粗糙集的離群點(diǎn)挖掘
11.7.3 基于人工神經(jīng)網(wǎng)絡(luò)的離群點(diǎn)挖掘
11.8 小結(jié)
參考文獻(xiàn)
第12章時(shí)間序列方法
12.1 時(shí)間序列基本概念
12.1.1 時(shí)間序列的定義
12.1.2 時(shí)間序列的組成因素
12.1.3 時(shí)間序列的分類
12.1.4 時(shí)間序列分析方法
12.2 平穩(wěn)時(shí)間序列分析方法
12.2.1 移動(dòng)平均法
12.2.2 指數(shù)平滑法
12.3 季節(jié)指數(shù)預(yù)測(cè)法
12.3.1 季節(jié)性水平模型
12.3.2 季節(jié)性趨勢(shì)模型
12.4 時(shí)間序列模型
12.4.1 ARMA模型
12.4.2 ARIMA模型
12.4.3 ARCH模型
12.4.4 GARCH模型
12.5 應(yīng)用實(shí)例：基于時(shí)間序列的股票預(yù)測(cè)
12.6 小結(jié)
參考文獻(xiàn)
第13章智能優(yōu)化方法
13.1 智能優(yōu)化方法概要
13.1.1 智能優(yōu)化方法的概念
13.1.2 常用的智能優(yōu)化方法
13.2 遺傳算法
13.2.1 遺傳算法的原理
13.2.2 遺傳算法的步驟
13.2.3 遺傳算法實(shí)例
13.2.4 遺傳算法的特點(diǎn)
13.3 模擬退火算法
13.3.1 模擬退火算法的原理
13.3.2 模擬退火算法步驟
13.3.3 模擬退火算法實(shí)例
13.3.4 模擬退火算法的特點(diǎn)
13.4 延伸閱讀：其它智能方法
13.4.1 粒子群算法
13.4.2 蟻群算法
13.5 小結(jié)
參考文獻(xiàn)
第三篇項(xiàng)目篇
第14章數(shù)據(jù)挖掘在銀行信用評(píng)分中的應(yīng)用
14.1 概述
14.1.1 信用評(píng)分的概念
14.1.2 信用評(píng)分的意義
14.1.3 個(gè)人信用評(píng)分的影響因素
14.1.4 信用評(píng)分的方法
14.2 DM法信用評(píng)分實(shí)施過程
14.2.1 數(shù)據(jù)的準(zhǔn)備
14.2.2 數(shù)據(jù)預(yù)處理
14.2.3 logistics模型
14.2.4 神經(jīng)網(wǎng)絡(luò)模型
14.3 AHP信用評(píng)分方法
14.3.1 AHP法簡(jiǎn)介
14.3.2 AHP法信用評(píng)分實(shí)例
14.4 延伸閱讀：企業(yè)信用評(píng)級(jí)
14.5 小結(jié)
第15章數(shù)據(jù)挖掘在量化選股中的應(yīng)用
15.1 量化選股概述
15.1.1 量化選股定義
15.1.2 量化選股實(shí)現(xiàn)過程
15.1.3 量化選股的分類
15.2 數(shù)據(jù)的處理及探索
15.2.1 獲取股票日交易數(shù)據(jù)
15.2.2 計(jì)算指標(biāo)
15.2.3 數(shù)據(jù)標(biāo)準(zhǔn)化
15.2.4 變量篩選
15.3 模型的建立及評(píng)估
15.3.1 股票預(yù)測(cè)的基本思想
15.3.2 模型的訓(xùn)練及評(píng)價(jià)
15.4 組合投資的優(yōu)化
15.4.1 組合投資的理論基礎(chǔ)
15.4.2 組合投資的實(shí)現(xiàn)
15.5 量化選股的實(shí)施
15.6 小結(jié)
參考文獻(xiàn)
第16章數(shù)據(jù)挖掘在工業(yè)故障診斷中的應(yīng)用
16.1 故障診斷概述
16.1.1 故障診斷的概念
16.1.2 故障診斷的方法
16.1.3 數(shù)據(jù)挖掘技術(shù)的故障診斷原理
16.2 DM設(shè)備故障診斷實(shí)例
16.2.1 加載數(shù)據(jù)
16.2.2 探索數(shù)據(jù)
16.2.3 設(shè)置訓(xùn)練樣本的測(cè)試樣本
16.2.4 決策樹方法訓(xùn)練模型
16.2.5 集成決策樹方法訓(xùn)練模型
16.3 小結(jié)
第17章數(shù)據(jù)挖掘技術(shù)在礦業(yè)工程中的應(yīng)用
17.1 概述
17.1.1 礦業(yè)工程的內(nèi)容
17.1.2 礦業(yè)工程的數(shù)據(jù)及特征
17.1.3 數(shù)據(jù)挖掘技術(shù)在礦業(yè)工程中的作用
17.2 礦業(yè)工程數(shù)據(jù)挖掘?qū)嵗禾峒冾A(yù)測(cè)
17.2.1 數(shù)據(jù)的集成
17.2.2 采用插值方式處理缺失值
17.2.3 設(shè)置建模數(shù)據(jù)及驗(yàn)證方式
17.2.4 多元線性回歸模型
17.3 小結(jié)
參考文獻(xiàn)
第18章數(shù)據(jù)挖掘技術(shù)在生命科學(xué)中的應(yīng)用
18.1 概述
18.1.1 生命科學(xué)的研究?jī)?nèi)容
18.1.2 生命科學(xué)中大數(shù)據(jù)的特征
18.1.3 數(shù)據(jù)挖掘技術(shù)在生命科學(xué)中的作用
18.2 生命科學(xué)數(shù)據(jù)挖掘?qū)嵗夯虮磉_(dá)模式挖掘
18.2.1 加載數(shù)據(jù)
18.2.2 數(shù)據(jù)初探
18.2.3 數(shù)據(jù)清洗
18.2.4 層次聚類
18.2.5 K-means聚類
18.3 小結(jié)
參考文獻(xiàn)
第19章數(shù)據(jù)挖掘在社會(huì)科學(xué)研究中的應(yīng)用
19.1 概述
19.1.1 社會(huì)學(xué)研究的內(nèi)容
19.1.2 社會(huì)學(xué)研究的方法
19.1.3 數(shù)據(jù)挖掘在社會(huì)科學(xué)研究中的應(yīng)用情況
19.2 社會(huì)科學(xué)挖掘?qū)嵗喝祟愋袨檠芯?br /> 19.2.1 加載數(shù)據(jù)
19.2.2 數(shù)據(jù)可視化
19.2.3 神經(jīng)網(wǎng)絡(luò)
19.2.4 混淆矩陣評(píng)價(jià)分類器
19.2.5 ROC法評(píng)價(jià)分類器
19.2.6 變量?jī)?yōu)選
19.2.7 用優(yōu)選的變量訓(xùn)練網(wǎng)絡(luò)
19.3 小結(jié)
第四篇理念篇
第20章數(shù)據(jù)挖掘的藝術(shù)
20.1 確定數(shù)據(jù)挖掘目標(biāo)的藝術(shù)
20.1.1 數(shù)據(jù)挖掘中的商業(yè)意識(shí)
20.1.2 商業(yè)意識(shí)到數(shù)據(jù)挖掘目標(biāo)
20.1.3 商業(yè)意識(shí)的培養(yǎng)
20.2 應(yīng)用技術(shù)的藝術(shù)
20.2.1 技術(shù)服務(wù)于業(yè)務(wù)的藝術(shù)
20.2.2 算法選擇的藝術(shù)
20.2.3 與機(jī)器配合的藝術(shù)
20.3 數(shù)據(jù)挖掘中平衡的藝術(shù)
20.3.1 客觀與主觀的平衡
20.3.2 數(shù)據(jù)量的平衡
20.4 理性對(duì)待大數(shù)據(jù)時(shí)代
20.4.1 發(fā)展大數(shù)據(jù)應(yīng)避免的誤區(qū)
20.4.2 正確認(rèn)識(shí)大數(shù)據(jù)的價(jià)值
20.4.3 正面大數(shù)據(jù)應(yīng)用面臨的挑戰(zhàn)
20.5 小結(jié)
參考文獻(xiàn)
第21章數(shù)據(jù)挖掘的項(xiàng)目管理和團(tuán)隊(duì)管理
21.1 數(shù)據(jù)挖掘項(xiàng)目實(shí)施之道
21.1.1 確定可行的目標(biāo)
21.1.2 遵守?cái)?shù)據(jù)挖掘流程
21.1.3 項(xiàng)目的質(zhì)量控制
21.1.4 項(xiàng)目效率
21.1.5 成本控制
21.1.6 數(shù)據(jù)挖掘過程改進(jìn)
21.2 數(shù)據(jù)挖掘團(tuán)隊(duì)的組建
21.2.1 數(shù)據(jù)挖掘項(xiàng)目團(tuán)隊(duì)的構(gòu)成
21.2.2 團(tuán)隊(duì)負(fù)責(zé)人
21.3 數(shù)據(jù)挖掘團(tuán)隊(duì)的管理
21.3.1 團(tuán)隊(duì)管理的目標(biāo)與策略
21.3.2 規(guī)范化的管理
21.4 優(yōu)秀數(shù)據(jù)挖掘人才的修煉
21.4.1 專業(yè)知識(shí)與技術(shù)
21.4.2 快速獲取知識(shí)的技能
21.4.3 提高表達(dá)能力
21.4.4 提高管理能力
21.4.5 培養(yǎng)對(duì)數(shù)據(jù)挖掘的熱情
21.5 小結(jié)