第1篇　思維篇
第1章　人工智能、機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘概論 2
1.1　人工智能概論 4
1.1.1　人工智能的定義 4
1.1.2　人工智能的特點(diǎn) 5
1.1.3　人工智能的發(fā)展歷史 7
1.1.4　人工智能的類型 10
1.1.5　人工智能的前沿發(fā)展 11
1.1.6　人工智能的倫理問題 13
1.2　機(jī)器學(xué)習(xí)概論 16
1.2.1　開發(fā)機(jī)器智能的策略 16
1.2.2　機(jī)器學(xué)習(xí) 17
1.2.3　知識(shí)圖譜 18
1.3　數(shù)據(jù)挖掘概論 21
1.3.1　數(shù)據(jù)挖掘的定義 21
1.3.2　數(shù)據(jù)挖掘技術(shù) 21
1.4　三者之間的關(guān)系辨析 22
1.4.1　人工智能與機(jī)器學(xué)習(xí)的關(guān)系 22
1.4.2　機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘的關(guān)系 23
1.4.3　三者之間的融合 23
第2章　數(shù)據(jù)與數(shù)據(jù)的價(jià)值 25
2.1　無處不在的數(shù)據(jù) 27
2.1.1　數(shù)據(jù)爆發(fā)的原因 27
2.1.2　數(shù)據(jù)的模態(tài)與類型 32
2.2　數(shù)據(jù)的價(jià)值 35
2.2.1　數(shù)據(jù)金字塔 35
2.2.2　數(shù)據(jù)價(jià)值的演進(jìn) 35
2.2.3　數(shù)據(jù)商業(yè)價(jià)值的實(shí)現(xiàn)方式 36
2.3　警惕“數(shù)據(jù)至上主義” 38
2.3.1　數(shù)據(jù)的局限性 39
2.3.2　數(shù)據(jù)利用的倫理問題 39
2.3.3　數(shù)據(jù)隱私與安全保護(hù) 40
2.3.4　人與數(shù)據(jù)的關(guān)系 41
第3章　數(shù)據(jù)思維與商業(yè)應(yīng)用 43
3.1　思維范式 45
3.1.1　數(shù)據(jù)思維 45
3.1.2　模型思維 47
3.2　商業(yè)需求與決策 47
3.2.1　認(rèn)識(shí)現(xiàn)實(shí)，理解現(xiàn)狀是什么 47
3.2.2　識(shí)別模式，按照規(guī)律做決策 48
3.2.3　厘清關(guān)系，根據(jù)因果做決策 48
3.2.4　預(yù)測(cè)未來，通過預(yù)判來決策 49
3.3　驅(qū)動(dòng)商業(yè)決策的技術(shù)體系 49
3.3.1　描述性分析 50
3.3.2　預(yù)測(cè)性分析 50
3.3.3　規(guī)范性分析 51
3.3.4　商業(yè)需求決定數(shù)據(jù)分析技術(shù)選擇 52
第4章　業(yè)務(wù)引領(lǐng)的商業(yè)數(shù)據(jù)挖掘過程 54
4.1　商業(yè)數(shù)據(jù)挖掘過程中的數(shù)據(jù)思維 56
4.2　步驟1：設(shè)置靶子，明確所要解決的業(yè)務(wù)問題 57
4.2.1　分析業(yè)務(wù)存在的問題 57
4.2.2　確定數(shù)據(jù)分析的目標(biāo) 58
4.3　步驟2：分解問題，構(gòu)建問題對(duì)應(yīng)的業(yè)務(wù)指標(biāo)體系 59
4.3.1　分解問題的重要性 59
4.3.2　構(gòu)建業(yè)務(wù)指標(biāo)體系 59
4.4　步驟3：準(zhǔn)備數(shù)據(jù)，收集和理解問題所需的數(shù)據(jù) 61
4.4.1　數(shù)據(jù)收集 61
4.4.2　數(shù)據(jù)清洗 61
4.4.3　數(shù)據(jù)標(biāo)簽體系 62
4.5　步驟4：分析數(shù)據(jù)，找到業(yè)務(wù)問題的數(shù)據(jù)答案 62
4.5.1　選擇數(shù)據(jù)分析技術(shù)的“原則” 62
4.5.2　使用機(jī)器學(xué)習(xí)找到答案 63
4.6　步驟5：回到業(yè)務(wù)，確定分析結(jié)果的商業(yè)解釋 64
4.6.1　將分析結(jié)果轉(zhuǎn)化為業(yè)務(wù)洞察 64
4.6.2　將業(yè)務(wù)洞察轉(zhuǎn)化為商業(yè)行動(dòng) 64
4.7　步驟6：呈現(xiàn)結(jié)果，基于數(shù)據(jù)分析過程形成商業(yè)數(shù)據(jù)分析報(bào)告 65
4.7.1　商業(yè)數(shù)據(jù)分析報(bào)告的結(jié)構(gòu) 65
4.7.2　優(yōu)秀商業(yè)數(shù)據(jù)分析報(bào)告的要點(diǎn) 65
第2篇　技術(shù)篇
第5章　聚類分析 68
5.1　聚類分析的商業(yè)應(yīng)用場(chǎng)景 70
5.1.1　聚類分析的基礎(chǔ)知識(shí) 70
5.1.2　聚類分析在商業(yè)領(lǐng)域的應(yīng)用 70
5.2　K-means算法 71
5.2.1　算法簡介 71
5.2.2　計(jì)算步驟 72
5.2.3　K值選擇 73
5.2.4　算法優(yōu)缺點(diǎn) 75
5.3　K-modes算法 76
5.3.1　算法簡介 76
5.3.2　計(jì)算步驟 76
5.3.3　K值選擇 76
5.3.4　算法優(yōu)缺點(diǎn) 76
5.4　K-prototypes算法 77
5.4.1　算法簡介 77
5.4.2　計(jì)算步驟 77
5.4.3　K值選擇 77
5.4.4　算法優(yōu)缺點(diǎn) 77
5.5　層次聚類算法 78
5.5.1　算法簡介 78
5.5.2　計(jì)算步驟 78
5.5.3　K值選擇 78
5.5.4　算法優(yōu)缺點(diǎn) 80
5.6　聚類分析的Python實(shí)現(xiàn)方式 80
5.6.1　K-means算法 80
5.6.2　K-modes算法 81
5.6.3　K-prototypes算法 81
5.6.4　層次聚類算法 82
第6章　分類分析 84
6.1　分類分析的商業(yè)應(yīng)用場(chǎng)景 86
6.1.1　分類分析的基礎(chǔ)知識(shí) 86
6.1.2　分類分析在商業(yè)領(lǐng)域的應(yīng)用 87
6.2　KNN算法 89
6.2.1　算法簡介 89
6.2.2　計(jì)算步驟 89
6.2.3　算法優(yōu)缺點(diǎn) 90
6.3　決策樹算法 90
6.3.1　算法簡介 90
6.3.2　計(jì)算步驟 91
6.3.3　算法優(yōu)缺點(diǎn) 93
6.4　支持向量機(jī)算法 94
6.4.1　算法簡介 94
6.4.2　計(jì)算步驟 95
6.4.3　算法優(yōu)缺點(diǎn) 95
6.5　分類準(zhǔn)確率的測(cè)量方法 95
6.5.1　混淆矩陣 96
6.5.2　評(píng)價(jià)指標(biāo) 96
6.5.3　分類準(zhǔn)確率的提升方法 96
6.6　分類分析的Python實(shí)現(xiàn)方式 98
6.6.1　KNN算法 98
6.6.2　決策樹算法 99
6.6.3　支持向量機(jī)算法 99
第7章　關(guān)聯(lián)規(guī)則分析 101
7.1　關(guān)聯(lián)規(guī)則分析的商業(yè)應(yīng)用場(chǎng)景 102
7.1.1　關(guān)聯(lián)規(guī)則分析的基礎(chǔ)知識(shí) 102
7.1.2　關(guān)聯(lián)規(guī)則分析在商業(yè)領(lǐng)域的應(yīng)用 104
7.2　常見的關(guān)聯(lián)規(guī)則分析算法 105
7.2.1　Apriori算法 105
7.2.2　FP-Growth算法 105
7.3　關(guān)聯(lián)規(guī)則分析的Python實(shí)現(xiàn)方式 106
7.3.1　Apriori算法 106
7.3.2　FP-Growth算法 107
第8章　回歸分析 109
8.1　回歸分析的商業(yè)應(yīng)用場(chǎng)景 111
8.1.1　回歸分析的基礎(chǔ)知識(shí) 111
8.1.2　回歸分析在商業(yè)領(lǐng)域的應(yīng)用 111
8.2　簡單線性回歸 113
8.2.1　定義與數(shù)學(xué)模型 113
8.2.2　回歸系數(shù)估計(jì) 113
8.2.3　計(jì)算步驟 114
8.3　多元線性回歸 114
8.3.1　定義與數(shù)學(xué)模型 114
8.3.2　回歸系數(shù)估計(jì) 115
8.3.3　計(jì)算步驟 116
8.4　邏輯回歸 116
8.4.1　定義與數(shù)學(xué)模型 116
8.4.2　模型參數(shù)估計(jì) 118
8.4.3　梯度下降法的實(shí)現(xiàn)步驟 118
8.5　嶺回歸與Lasso回歸 119
8.5.1　嶺回歸 119
8.5.2　Lasso回歸 120
8.5.3　嶺回歸與Lasso回歸的對(duì)比 121
8.6　回歸結(jié)果顯著性檢驗(yàn) 121
8.6.1　模型擬合優(yōu)度 121
8.6.2　顯著性檢驗(yàn) 123
8.6.3　置信區(qū)間估計(jì) 125
8.7　回歸分析的診斷與改進(jìn) 125
8.7.1　殘差分析 125
8.7.2　多重共線性 127
8.7.3　異方差 128
8.7.4　自相關(guān) 129
8.8　回歸分析的Python實(shí)現(xiàn)方式 131
8.8.1　簡單線性回歸 131
8.8.2　多元線性回歸 132
8.8.3　邏輯回歸 133
8.8.4　嶺回歸 134
8.8.5　Lasso回歸 134
8.8.6　回歸結(jié)果顯著性檢驗(yàn) 135
8.8.7　回歸分析的診斷與改進(jìn) 136
第9章　人工神經(jīng)網(wǎng)絡(luò) 138
9.1　人工神經(jīng)網(wǎng)絡(luò)的商業(yè)應(yīng)用 141
9.1.1　人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí) 141
9.1.2　人工神經(jīng)網(wǎng)絡(luò)的商業(yè)應(yīng)用 141
9.2　感知機(jī) 143
9.2.1　簡單邏輯電路 143
9.2.2　工作原理 144
9.2.3　線性不可分的局限 144
9.2.4　多層感知機(jī) 145
9.3　全連接神經(jīng)網(wǎng)絡(luò) 146
9.3.1　基本結(jié)構(gòu) 146
9.3.2　激活函數(shù) 147
9.3.3　損失函數(shù) 150
9.4　卷積神經(jīng)網(wǎng)絡(luò) 152
9.4.1　基本結(jié)構(gòu) 152
9.4.2　訓(xùn)練流程 155
9.4.3　代表性網(wǎng)絡(luò)結(jié)構(gòu) 155
9.5　循環(huán)神經(jīng)網(wǎng)絡(luò) 156
9.5.1　基本結(jié)構(gòu) 157
9.5.2　訓(xùn)練流程 157
9.5.3　代表性網(wǎng)絡(luò)結(jié)構(gòu) 158
9.6　訓(xùn)練技巧 160
9.6.1　參數(shù)初始化 160
9.6.2　批處理 162
9.6.3　優(yōu)化算法 163
9.6.4　偏差與方差 164
9.6.5　超參數(shù)調(diào)優(yōu) 166
9.7　深度學(xué)習(xí)框架 167
9.7.1　TensorFlow和Keras 167
9.7.2　PyTorch 168
9.7.3　PyTorch與TensorFlow的差異 169
9.8　人工神經(jīng)網(wǎng)絡(luò)的Python代碼實(shí)現(xiàn) 169
9.8.1　全連接神經(jīng)網(wǎng)絡(luò) 169
9.8.2　卷積神經(jīng)網(wǎng)絡(luò) 171
9.8.3　循環(huán)神經(jīng)網(wǎng)絡(luò) 171
9.8.4　LSTM網(wǎng)絡(luò) 174
9.8.5　門控循環(huán)單元 176
第10章　商業(yè)文本挖掘 179
10.1　文本挖掘的商業(yè)應(yīng)用場(chǎng)景 181
10.1.1　文本挖掘的基礎(chǔ)知識(shí) 181
10.1.2　文本挖掘在商業(yè)領(lǐng)域的應(yīng)用 183
10.2　文本向量化方法 184
10.2.1　獨(dú)熱編碼 184
10.2.2　詞袋模型 184
10.2.3　TF-IDF模型 185
10.2.4　Word2Vec模型 186
10.2.5　Doc2Vec模型 187
10.2.6　其他方法 188
10.3　文本挖掘任務(wù) 189
10.3.1　文本分類 189
10.3.2　文本關(guān)聯(lián)規(guī)則 190
10.3.3　文本情感分析 190
10.3.4　文本主題提取 191
10.4　文本挖掘的Python實(shí)現(xiàn)方式 193
10.4.1　文本預(yù)處理與分詞 193
10.4.2　文本可視化 194
10.4.3　使用scikit-learn庫進(jìn)行文本挖掘 195
10.4.4　使用VADER進(jìn)行情感分析 197
10.4.5　使用gensim進(jìn)行Word2Vec模型訓(xùn)練 198
第3篇　案例篇
第11章　“翠峰伍號(hào)”顧客細(xì)分 202
11.1　玩具配送企業(yè)面臨的問題 202
11.2　關(guān)于客戶需求的業(yè)務(wù)指標(biāo)設(shè)計(jì) 203
11.3　數(shù)據(jù)清洗與準(zhǔn)備 203
11.3.1　數(shù)據(jù)清洗和預(yù)處理 203
11.3.2　探索性分析 206
11.4　聚類分析 211
11.4.1　特征工程 211
11.4.2　聚類分析過程 212
11.5　基于用戶畫像的營銷策略設(shè)計(jì) 217
11.6　指導(dǎo)老師點(diǎn)評(píng) 218
第12章　“僵尸粉絲”識(shí)別——分類分析 219
12.1　“粉絲經(jīng)濟(jì)”的興起與虛假粉絲問題 219
12.2　“僵尸粉絲”特征指標(biāo)選擇 219
12.3　數(shù)據(jù)收集與用戶特征選擇 220
12.3.1　數(shù)據(jù)收集 220
12.3.2　用戶特征選擇 220
12.4　數(shù)據(jù)清洗與預(yù)處理 221
12.4.1　去重與缺失值處理 221
12.4.2　數(shù)據(jù)編碼 221
12.4.3　數(shù)據(jù)標(biāo)準(zhǔn)化 223
12.4.4　數(shù)據(jù)降維 223
12.5　分類模型構(gòu)建與調(diào)優(yōu) 226
12.5.1　關(guān)鍵參數(shù)解釋 226
12.5.2　訓(xùn)練過程 227
12.5.3　模型參數(shù)調(diào)優(yōu) 227
12.5.4　評(píng)估模型性能 227
12.6　分類結(jié)果分析 228
12.6.1　參數(shù)優(yōu)化結(jié)果分析 228
12.6.2　降維前分類結(jié)果分析 228
12.6.3　降維后分類結(jié)果分析 229
12.7　“僵尸粉絲”問題的應(yīng)對(duì)策略 230
12.7.1　“僵尸粉絲”檢測(cè)與清理機(jī)制 230
12.7.2　用戶價(jià)值分層體系 230
12.7.3　平臺(tái)運(yùn)營優(yōu)化策略 230
12.8　指導(dǎo)老師點(diǎn)評(píng) 231
第13章　消費(fèi)者對(duì)貓咖的認(rèn)知態(tài)度研究 232
13.1　“它經(jīng)濟(jì)”與貓咖的興起 232
13.2　消費(fèi)者認(rèn)知的業(yè)務(wù)指標(biāo) 233
13.3　數(shù)據(jù)收集、清洗與準(zhǔn)備 233
13.3.1　數(shù)據(jù)收集 233
13.3.2　數(shù)據(jù)預(yù)處理 233
13.4　數(shù)據(jù)分析與結(jié)果 236
13.4.1　詞云圖 236
13.4.2　情感分析 237
13.4.3　LDA主題提取 240
13.5　基于消費(fèi)者需求的貓咖運(yùn)營改進(jìn)建議 244
13.6　指導(dǎo)老師點(diǎn)評(píng) 245
第14章　青年旅舍的客戶需求分析與運(yùn)營建議 247
14.1　青年旅舍的行業(yè)現(xiàn)狀與問題 247
14.2　消費(fèi)者需求指標(biāo)的設(shè)計(jì) 248
14.3　數(shù)據(jù)收集與清洗 248
14.3.1　數(shù)據(jù)收集 248
14.3.2　數(shù)據(jù)清洗 249
14.4　青年旅舍文本數(shù)據(jù)分析 250
14.4.1　數(shù)據(jù)的基本分布 250
14.4.2　主題聚類分析 250
14.4.3　基于主題聚類的情感分析 254
14.4.4　客群特征與差異 257
14.5　針對(duì)青年旅舍的服務(wù)改進(jìn)建議 259
14.6　指導(dǎo)老師點(diǎn)評(píng) 260
參考文獻(xiàn) 262