作者：谭励
页数：268
出版社：清华大学出版社
出版日期：2023
ISBN：9787302633860
电子书格式：pdf/epub/txt
内容简介
本书是金融商务领域的基础教材，以Python语言介绍了机器学习在商务领域的应用。全书分12章: 第1～3章介绍商务智能和数据挖掘的基本概念，它们是进行商务智能应用的预备知识；第4～11章系统深入地讲解现今已成熟的机器学习算法和在商务领域的实际应用；第12章根据具体的商业案例，采用已介绍的算法知识，通过不同的方法进行实际的应用，可以作为学习本书内容之后的研究重点。
本书适合商务类专业和计算机类专业的本科生或研究生使用，也适合不具有机器学习或统计学背景，但是想要从业于商务领域的人士阅读。
本书特色
本书金融商务领域的基础教材，其中以Python语言介绍了机器学习在商务领域的应用。本书秉承教材风格，强调广度讲解。注重成熟模型和开源工具的使用，以提高学习者的应用能力为目标；注重结合实例和实验，加强基本概念和原理的理解和运用；注重实例的趣味性和生活性，提高学习者学习的积极性。本书可作为普通高等院校计算机应用、软件工程、信息管理、电子商务和管理科学等相关专业高年级本科生及硕士研究生数据挖掘课程的教材。同时，对数据挖掘技术和方法感兴趣，致力于相关方面的研究和应用的其他读者，也可以从本书中获取基本的指导和体验。
金融商务领域的基础教材，强调知识广度，介绍成熟模型和开源工具，实例和实验相结合。
目录
第1章商务智能概述〈〈〈1
1.1商务智能的概念1
1.1.1数据、信息与知识1
1.1.2商务智能的定义2
1.1.3商务智能的特点3
1.1.4商务智能的过程4
1.2商务智能的产生与发展4
1.3商务智能与分析5
1.3.1商务智能应用背景5
1.3.2商务智能关键技术分析5
1.4商务智能的系统架构及实施8
1.4.1商务智能系统架构8
1.4.2商务智能系统要素8
1.4.3商务智能系统实施9
1.5主流商务智能产品11
1.6商务智能的未来发展趋势14
1.7商务智能的应用14
1.8本章小结15
第2章商务智能中的核心技术〈〈〈16
2.1数据预处理16
2.1.1数据预处理概述16
2.1.2数据预处理的必要性16
2.1.3数据预处理的基本方法17
2.1.4数据清洗17
2.1.5数据集成21
2.1.6数据变换22
2.1.7数据归约30
2.2数据抽取—转换—装载31
2.2.1相关概念312
.2.2数据抽取—转换—装载建模过程33
2.2.3数据抽取—转换—装载模式介绍33
2.3多维数据模型35
2.3.1多维数据模型的概念35
2.3.2多维数据模型的构建方法35
2.4联机分析处理38
2.4.1联机分析处理简介38
2.4.2联机分析处理的分类39
2.4.3联机分析处理的基本概念和典型操作40
2.4.4联机分析处理系统的实现途径及实施过程41
2.4.5联机分析处理的主流工具43
2.5数据可视化43
2.5.1数据可视化简介43
2.5.2数据可视化的优势44
2.5.3数据可视化工具45
2.6本章小结53
第3章数据挖掘概述〈〈〈54
3.1数据挖掘的起源与发展54
3.1.1数据挖掘的起源54
3.1.2数据挖掘的发展56
3.2数据挖掘所要解决的问题57
3.3数据挖掘的定义60
3.4数据挖掘的过程62
3.5数据挖掘系统63
3.6数据挖掘的功能和方法64
3.6.1数据挖掘的功能64
3.6.2数据挖掘的方法64
3.7数据挖掘的典型应用领域66
3.8数据挖掘的发展趋势69
3.9本章小结69
第4章Apriori关联规则算法〈〈〈71
4.1Apriori算法原理71
4.1.1频繁项集的评估标准71
4.1.2Apriori算法思想72
4.1.3Apriori算法流程73
4.2Python代码实现74
4.3案例41: 信用卡消费推荐78
4.3.1实验步骤78
4.3.2实验结果79
4.3.3实验总结87
4.4本章小结87
第5章决策树分类算法〈〈〈88
5.1决策树算法原理88
5.1.1决策树是什么88
5.1.2如何生成决策树88
5.1.3决策树生成之后做什么90
5.1.4决策树算法步骤90
5.1.5决策树算法的优势和劣势91
5.2Python代码实现92
5.3案例5 1: 基于决策树的理财产品促销98
5.3.1实验原理98
5.3.2实验步骤98
5.3.3实验结果99
5.3.4实验总结108
5.4本章小结108
第6章朴素贝叶斯分类算法〈〈〈109
6.1朴素贝叶斯分类算法原理109
6.1.1贝叶斯原理109
6.1.2朴素贝叶斯110
6.1.3朴素贝叶斯算法流程113
6.1.4朴素贝叶斯算法的优缺点113
6.2Python代码实现114
6.3案例6 1: 基于朴素贝叶斯的理财产品促销118
6.3.1实验步骤118
6.3.2实验结果118
6.3.3实验总结125
6.4本章小结125
第7章k近邻分类与k均值聚类算法〈〈〈126
7.1k近邻分类原理与实现126
7.1.1距离126
7.1.2k值选择127
7.1.3分类规则128
7.1.4k近邻算法分类的工作原理总结128
7.1.5k近邻算法分类的优缺点128
7.1.6k近邻算法分类的代码128
7.2k近邻算法案例131
7.2.1实验原理132
7.2.2实验步骤132
7.2.3实验结果133
7.2.4实验总结139
7.3k均值聚类原理与实现140
7.3.1什么是k均值聚类算法140
7.3.2k均值聚类的算法过程140
7.3.3k均值聚类的算法代码144
7.4k均值聚类案例150
7.4.1实验原理150
7.4.2实验步骤151
7.4.3实验结果151
7.4.4实验总结158
7.5本章小结159
第8章神经网络算法〈〈〈160
8.1人工神经网络模型160
8.1.1人工神经网络的概念160
8.1.2人工神经网络的发展161
8.1.3人工神经网络的特点163
8.1.4人工神经网络的结构165
8.1.5人工神经网络模型169
8.2案例81: 股票价格波动分析172
8.2.1实验步骤173
8.2.2实验结果175
8.2.3实验总结182
8.3本章小结182
第9章线性回归模型〈〈〈183
9.1线性回归183
9.2线性回归实例187
9.2.1算法原理187
9.2.2实验步骤188
9.2.3实验结果191
9.3本章小结195
第10章逻辑回归模型〈〈〈196
10.1逻辑回归模型的算法原理196
10.1.1什么是逻辑回归196
10.1.2向量化198
10.1.3正则化199
10.1.4多类分类问题200
10.2案例101: 客户流失预警模型200
10.2.1实验原理201
10.2.2实验步骤201
10.2.3实验结果201
10.3本章小结206
第11章AdaBoost算法与数据聚类模型〈〈〈207
11.1AdaBoost算法原理207
11.1.1AdaBoost是什么207
11.1.2AdaBoost算法流程207
11.1.3AdaBoost实例208
11.1.4AdaBoost的误差界212
11.1.5AdaBoost指数损失函数推导213
11.1.6AdaBoost代码实现216
11.2DBSCAN算法的基本原理219
11.2.1DBSCAN算法的基本概念219
11.2.2DBSCAN算法描述220
11.2.3DBSCAN算法实例221
11.2.4DBSCAN算法的优缺点222
11.3本章小结223
第12章综合案例〈〈〈224
12.1案例121: 信用卡虚假交易实例224
12.1.1实验原理224
12.1.2实验步骤229
12.1.3实验结果229
12.1.4实验总结241
12.2案例122: 房价租金预测243
12.2.1实验原理243
12.2.2实验结果246
12.2.3实验总结251
12.3案例123: 金融客户贷款违约预测实例253
12.3.1实验结果253
12.3.2实验总结255
12.4本章小结255
参考文献〈〈〈256
