大數據分析（簡體書）

《大數據分析》以大數據分析的相關理論和方法為主線，首先介紹了大數據分析所需的預備知識和常用的降維方法，然後介紹了數據挖掘、時間序列分析、人工神經網絡等大數據分析方法，最後介紹了大數據分析和大數據可視化的常用工具，並講解了其相應的操作。
《大數據分析》既可以作為高等院校和高職院校數據科學與大數據、大數據管理與應用、軟件工程及相關專業的教材，也可以供系統分析師、系統架構師、軟件開發工程師和項目經理以及其他學習大數據技術的讀者閱讀和參考。

王道平，博士，教授，博士生導師，北京科技大學經濟管理學院管理科學與工程系，研究方向為供應鏈與物流管理、大數據技術與應用、智能管理系統等，主講大數據概論、數據組織與分析技術、供應鏈與物流管理等課程，承擔多項國家自然科學基金課題和省部級課題，主編出版《現代物流信息技術》、《現代物流管理》、《供應鏈管理》、《大數據導論》、《大數據處理》、《智能製造概論》等多部教材，其中1部教材被評為北京高校優質本科教材，2部教材被評為北京市高等教育精品教材。

本書既可以作為高等院校和高職院校數據科學與大數據、大數據管理與應用、軟件工程及相關專業的教材，也可以供系統分析師、系統架構師、軟件開發工程師和項目經理以及其他學習大數據技術的讀者閱讀和參考。

第1章　大數據分析概論 1
1.1　大數據分析的產生背景與
基礎 5
1.1.1　大數據分析的產生背景 5
1.1.2　大數據分析的基礎 6
1.2　大數據分析的概念與
基本原理 7
1.2.1　大數據分析的概念 7
1.2.2　大數據分析的基本原理 8
1.3　大數據分析的物件、過程和
價值 10
1.3.1　大數據分析的物件 10
1.3.2　大數據分析的過程 13
1.3.3　大數據分析的價值 15
本章小結 18
習題 18
第2章　大數據分析預備知識 20
2.1　模型評估與選擇 21
2.1.1　經驗誤差與過擬合 21
2.1.2　評估方法 22
2.1.3　性能度量 25
2.2　假設檢驗 26
2.2.1　假設檢驗的基本概念 26
2.2.2　正態總體參數的假設檢驗 30
2.3　方差分析 34
2.3.1　問題的提出 34
2.3.2　單因子方差分析統計模型 35
2.3.3　平方和分解 36
2.3.4　檢驗方法 38
本章小結 41
習題 41
第3章　大數據分析常用降維方法 43
3.1　線性判別分析 44
3.1.1　線性判別分析概述 44
3.1.2　線性判別分析的計算過程 45
3.1.3　線性判別分析的優點和
缺點 46
3.1.4　線性判別分析的應用 47
3.2　主成分分析 47
3.2.1　主成分分析概述 48
3.2.2　主成分分析的計算過程 49
3.2.3　主成分分析的提取標準 51
3.2.4　主成分分析的應用 52
3.3　因子分析 55
3.3.1　因子分析概述 55
3.3.2　因子分析的模型 57
3.3.3　因子分析的計算過程 58
3.3.4　因子分析的應用 60
本章小結 65
習題 65
第4章　大數據分析常用方法 67
4.1　關聯分析 68
4.1.1　關聯分析的概念 68
4.1.2　Apriori算法 70
4.1.3　FP-Growth算法 72
4.1.4　關聯規則的評估 75
4.2　分類分析 80
4.2.1　分類分析的概念 80
4.2.2　樸素貝葉斯分類 81
4.2.3　決策樹 83
4.2.4　支持向量機 87
4.2.5　分類模型的評估 88
4.3　聚類分析 89
4.3.1　聚類分析的概念 89
4.3.2　k-means算法 92
4.3.3　k-medoids算法 93
4.3.4　DBSCAN算法 94
4.3.5　聚類結果的評估 95
本章小結 97
習題 97
第5章　時間序列分析 99
5.1　時間序列分析法概述 100
5.1.1　時間序列的概念 100
5.1.2　時間序列的分類 103
5.1.3　時間序列分析法的分類 105
5.2　確定性時間序列分析法 106
5.2.1　移動平均法 106
5.2.2　指數平滑法 110
5.2.3　季節指數法 114
5.3　隨機性時間序列分析法 118
5.3.1　平穩性時間序列分析 118
5.3.2　非平穩性時間序列分析 120
5.3.3　異方差時間序列分析 123
本章小結 124
習題 125
第6章　人工神經網絡 127
6.1　人工神經網絡概述 129
6.1.1　人工神經網絡簡介 130
6.1.2　人工神經網絡在大數據中的
應用 132
6.2　人工神經網絡模型 132
6.2.1　多層感知器 133
6.2.2　徑向基函數神經網絡 134
6.2.3　Kohonen網絡 135
6.3　學習規則 137
6.3.1　Hebb學習規則 138
6.3.2　Perceptron學習規則 139
6.3.3　?學習規則 139
6.3.4　LMS學習規則 140
6.3.5　Correlation學習規則 140
6.3.6　Winner-Take-All學習
規則 140
6.4　神經網絡訓練算法 141
6.4.1　梯度下降算法 141
6.4.2　演化算法 142
6.4.3　遺傳算法 143
本章小結 146
習題 146
第7章　大數據分析工具 148
7.1　數據透視表 150
7.1.1　數據透視表的功能 150
7.1.2　數據透視表的相關操作 151
7.1.3　數據透視表分析 156
7.2　Python數據分析庫 158
7.2.1　Python的安裝和設置 158
7.2.2　常用的Python數據
分析庫 159
7.2.3　Python在大數據分析中的
應用 161
7.3　Tableau 163
7.3.1　Tableau的系列產品 163
7.3.2　Tableau的應用優勢 164
7.3.3　Tableau的數據連接 166
7.3.4　Tableau在網站內容評估中的
應用 168
本章小結 173
習題 173
第8章　大數據可視化 175
8.1　大數據可視化概述 176
8.1.1　大數據可視化的概念 176
8.1.2　大數據可視化的作用 177
8.1.3　大數據可視化的應用 178
8.2　大數據可視化的基礎和
表現形式 183
8.2.1　大數據可視化的原則和
步驟 184

8.2.2　統計圖表可視化方法 186
8.2.3　不同類型數據和圖形的
展示 187
8.3　大數據可視化工具 194
8.3.1　Tableau的可視化功能 194
8.3.2　ECharts工具簡介 199
本章小結 202
習題 203
參考文獻 204