《大数据挖掘与机器学习(工业4.0时代重塑商业价值)》为市场营销主管、商业领袖和技术专家提供一套综合手段，使其能开发出不断产生有效结果并提高利润率的战略和方法，并且能将这些战略和方法贯彻实施下去。在本书中，迪安对大数据分析现状以及日益提升的高性能计算体系结构的趋势进行深入浅出的回顾。本书明确地展示了如何利用大数据分析促进积极改变并且驱动效率。

迪安著的《大数据挖掘与机器学习(工业4.0时代重塑商业价值)》分为3个部分，共17章。第Ⅰ部分“计算环境”，包括第1章到第3章。第Ⅱ部分“将数据转化为商业价值”，包括第4章到第10章。这一部分聚焦于数据挖掘活动中所要用到的方法、算法和路径。第Ⅲ部分“将其全部结合起来的成功案例”包括第11章到第17章。本部分主要描述了作者参与过的成功应用大数据分析优化企业决策、提高企业价值的公司案例。

本书可作为企业管理人员、营销主管、分析人员、IT人员等作为理解大数据、应用大数据为企业创造价值的指引，同时，本书也可供统计学、应用数学及计算机专业学者和研究人员参考学习。

概述

大数据大事年表

为何这个主题现在很重要

大数据是否只是一时的狂热?

在何处应用大数据会产生重大影响?

第1部分 计算环境

第1章 硬件

 1.1 存储器(磁盘)

 1.2 中央处理器

 1.3 内存

 1.4 网络

第2章 分布式系统

 2.1 数据库计算

 2.2 文件系统计算

 2.3 考虑因素

第3章 分析工具

 3.1 Weka

 3.2 Java和JVM语音

 3.3 R语言

 3.4 Python

 3.5 SAS

第II部分 将数据转化为商业价值

第4章 预测建模

 4.1 一个建模方法

 4.2 sEMMA

 4.3 二元分类法

 4.4 多层分类法

 4.5 区间预测

 4.6 预测模型评估

第5章 一般预测建模技术

 5.1 RFM

 5.2 回归

 5.3 广义线性模型

 5.4 神经网络

 5.5 决策树和回归树

 5.6 支持向量机

 5.7 贝叶斯网络分类方法

 5.8 组合方法

第6章 细分

 6.1 聚类分析

 6.2 距离测度(指标)

 6.3 聚类评估

 6.4 聚类数量

 6.5 K-means算法

 6.6 分层聚类法

 6.7 群特征刻画

第7章 增量响应建模

 7.1 建立响应模型

 7.2 评估增量响应

第8章 时问序列数据挖掘

 8.1 降维

 8.2 探查模式

 8.3 时间序列数据挖掘的应用：

Nike+Fuelband智能手环

第9章 推荐系统

 9.1 何为推荐系统?

 9.2 应用于何处?

 9.3 如何起作用?

 9.4 推荐质量评估

 9.5 推荐系统的应用：sAs图书馆

第10章 文本分析

 10.1 信息检索

 10.2 内容分类

 10.3 文本挖掘

 10.4 文本分析应用：让我们来玩

《危险边缘》(Ieopardy!)

第III部分 将其全都结合起来的成功案例

第11章 基于某大型美国金融服务

公司的案例研究

 11.1 传统市场营销活动流程

 11.2 高效的营销解决方案

 11.3 变革的价值主张

第12章 主要卫生保健提供者的案例研究

 12.1 CAHPS

 12.2 HFDIS

 12.3 HOS

 12.4 IRE

第13章 技术制造商案例研究

 13.1 发现设备缺陷

 13.2 如何降低成本

第14章 在线品牌管理的案例研究

第15章 移动应用推荐的案例研究

第16章 高科技产品制造商的案例研究

 16.1 处理缺失数据

 16.2 超越生产的应用

第17章 展望未来

 17.1 重复性研究

 17.2 隐私与公共数据集

 17.3 物联网

 17.4 未来的软件开发

 17.5 未来算法开发

 17.6 总结

关于作者

附录

参考文献

译者后记