大數據挖掘:系統(tǒng)方法與實例分析是大數據挖掘領域的扛鼎之作，由全球科學計算領域的領導者MathWorks（MATLAB公司）官方的資深數據挖掘專家撰寫，MathWorks官方及多位專家聯(lián)袂推薦。

它從技術、方法、案例和*佳實踐4個維度對如何系統(tǒng)、深入掌握大數據挖掘提供了詳盡的講解。

技術：不僅講解了大數據挖掘的原理、過程、工具，還講解了大數據的準備、處理、與探索；

方法：既深入地講解了關聯(lián)規(guī)則方法、回歸方法、分類方法、聚類方法、預測方法、診斷方法等6大類數據挖掘主體方法，又重點講解了時間序列方法和智能優(yōu)化方法兩種數據挖掘中常用的方法；

案例：詳細地再現了來自銀行、證券、機械、礦業(yè)、生命科學和社會科學等6大領域的經典案例，不僅有案例的實現過程，而且還有案例原理和預備知識的的講解；

首先總結了數據挖掘中確定挖掘、應用技術以及如何平衡的藝術，然后總結了數據挖掘的項目管理和團隊管理的藝術。

目錄
第一篇基礎篇
第1章緒論
1.1 大數據與數據挖掘
1.1.1 何為大數據
1.1.2 大數據的價值
1.1.3 大數據與數據挖掘的關系
1.2 數據挖掘的概念和原理
1.2.1 什么是數據挖掘
1.2.2 數據挖掘的原理
1.3 數據挖掘的內容
1.3.1 關聯(lián)
1.3.2 回歸
1.3.3 分類
1.3.4 聚類
1.3.5 預測
1.3.6 診斷
1.4 數據挖掘的應用領域
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 大數據挖掘的要點
1.6 小結
參考文獻
第2章數據挖掘的過程及工具
2.1 數據挖掘過程概述
2.2 挖掘目標的定義
2.3 數據的準備
2.4 數據的探索
2.5 模型的建立
2.6 模型的評估
2.7 模型的部署
2.8 工具的比較與選擇
2.9 小結
參考文獻
第3章 MATLAB數據挖掘快速入門
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 常用標點的功能
3.2.2 常用操作指令
3.2.3 指令編輯操作鍵
3.2.4 MATLAB數據類型
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 面向對象模式
3.3.4 三種模式的配合
3.4 MATLAB數據挖掘引例
3.5 MATLAB集成數據挖掘工具
3.5.1 分類學習機簡介
3.5.2 交互探索算法的方式
3.5.3 MATLAB分類學習機應用實例
3.6 小結
第二篇技術篇
第4章數據的準備
4.1 數據的收集
4.1.1 認識數據
4.1.2 數據挖掘的數據源
4.1.3 數據抽樣
4.1.4 金融行業(yè)的數據源
4.1.5 從雅虎獲取交易數據
4.1.6 從大智慧獲取財務數據
4.1.7 從Wind獲取高質量數據
4.2 數據質量分析
4.2.1 數據質量分析的必要性
4.2.2 數據質量分析的目地
4.2.3 數據質量分析的內容
4.2.4 數據質量分析方法
4.2.5 數據質量分析的結果及應用
4.3 數據預處理
4.3.1 為什么需要數據預處理
4.3.2 數據預處理的方法
4.3.3 數據清洗
4.3.4 數據集成
4.3.5 數據歸約
4.3.6 數據變換
4.4 小結
參考文獻
第5章數據的探索
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 評價型衍生變量
5.1.5 衍生變量數據收集與集成
5.2 數據的統(tǒng)計
5.2.1 基本描述性統(tǒng)計
5.2.2 分布描述性統(tǒng)計
5.3 數據可視化
5.3.1 基本可視化方法
5.3.2 數據分布形狀可視化
5.3.3 數據關聯(lián)情況可視化
5.3.4 數據分組可視化
5.4 樣本選擇
5.4.1 樣本選擇的方法
5.4.2 樣本選擇應用實例
5.5 數據降維
5.5.1 主成分分析（PCA）基本原理
5.5.2 PCA應用案例：企業(yè)綜合實力排序
5.5.3 相關系數降維
5.6 小結
參考文獻
第6章關聯(lián)規(guī)則方法
6.1 關聯(lián)規(guī)則概要
6.1.1 關聯(lián)規(guī)則提出背景
6.1.2 關聯(lián)規(guī)則的基本概念
6.1.3 關聯(lián)規(guī)則的分類
6.1.4 關聯(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算法實例
6.2.4 Apriori算法程序實現
6.2.5 算法的優(yōu)缺點
6.3 FP-Growth算法
6.3.1 FP-Growt算法步驟
6.3.2 FP-Growt算法實例
6.3.3 FP-Growt算法優(yōu)缺點
6.4 應用實例：行業(yè)關聯(lián)選股法
6.5 小結
參考文獻
第7章數據回歸方法
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回歸實例
7.5 應用實例：多因子選股模型的實現
7.5.1 多因子模型基本思想
7.5.2 多因子模型的實現
7.6 小結
參考文獻
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-近鄰實例
8.2.3 K-近鄰特點
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 樸素貝葉斯分類實例
8.3.4 樸素貝葉斯特點
8.4 神經網絡
8.4.1 神經網絡原理
8.4.2 神經網絡實例
8.4.3 神經網絡特點
8.5 邏輯斯蒂（Logistic）
8.5.1 邏輯斯蒂原理
8.5.2 邏輯斯蒂實例
8.5.3 邏輯斯蒂特點
8.6 判別分析
8.6.1 判別分析原理
8.6.2 判別分析實例
8.6.3 判別分析特點
8.7 支持向量機（SVM）
8.7.1 SVM基本思想
8.7.2 理論基礎
8.7.3 支持向量機實例
8.7.4 支持向量機特點
8.8 決策樹
8.8.1 決策樹的基本概念
8.8.2 決策樹的構建步驟
8.8.3決策樹實例
8.8.4 決策樹特點
8.9 分類的評判
8.9.1 正確率
8.9.2 ROC曲線
8.10 應用實例：分類選股法
8.10.1 案例背景
8.10.2 實現方法
8.11 延伸閱讀：其他分類方法
8.12 小結
參考文獻
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 聚類方法的應用場景
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實例1：自主編程
9.2.3 K-means實例2：集成函數
9.2.4 K-means特點
9.3 層次聚類
9.3.1 層次聚類原理和步驟
9.3.2 層次聚類實例
9.3.3 層次聚特點
9.4 神經網絡聚類
9.4.1 神經網絡聚類原理和步驟
9.4.2 神經網絡聚類實例
9.4.3 神經網絡聚類特點
9.5 模糊C-均值（FCM）方法
9.5.1 FCM原理和步驟
8.5.2 FCM應用實例
9.5.3 FCM算法特點
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 高斯聚類實例
9.6.3 高斯聚類特點
9.7 類別數的確定方法
9.7.1 原理
9.7.2 實例
9.8 應用實例：股票聚類分池
9.8.1 聚類目標和數據描述
9.8.2 實現過程
9.8.3 結果及分析
9.9 延伸閱讀
9.9.1 目前聚類分析研究的主要內容
9.9.2 SOM智能聚類算法
9.10 小結
參考文獻
第10章預測方法
10.1 預測方法概要
10.1.1 預測的概念
10.1.2 預測的基本原理
10.1.3 預測的準確度評價及影響因素
10.1.4 常用的預測方法
10.2 灰色預測
10.2.1 灰色預測原理
10.2.2 灰色預測的實例
10.3 馬爾科夫預測
10.3.1 馬爾科夫預測原理
10.3.2 馬爾科夫過程的特性
10.3.3 馬爾科夫預測實例
10.4 應用實例：大盤走勢預測
10.4.1 數據的選取及模型的建立
10.4.2 預測過程
10.4.3 預測結果與分析
10.5 小結
參考文獻
第11章診斷方法
11.1 離群點診斷概要
11.1.1 離群點診斷的定義
11.1.2 離群點診斷的作用
11.1.3 離群點診斷方法分類
11.2 基于統(tǒng)計的離群點診斷
11.2.1 理論基礎
11.2.2 應用實例
11.2.3 優(yōu)點與缺點
11.3 基于距離的離群點診斷
11.3.1 理論基礎
11.3.2 應用實例
11.3.3 優(yōu)點與缺點
11.4 基于密度的離群點挖掘
11.4.1 理論基礎
11.4.2 應用實例
11.4.3 優(yōu)點與缺點
11.5 基于聚類的離群點挖掘
11.5.1 理論基礎
11.5.2 應用實例
11.5.3 優(yōu)點與缺點
11.6 應用實例：離群點診斷股票買賣擇時
11.7 延伸閱讀：新興的離群點挖掘方法
11.7.1 基于關聯(lián)的離群點挖掘
11.7.2 基于粗糙集的離群點挖掘
11.7.3 基于人工神經網絡的離群點挖掘
11.8 小結
參考文獻
第12章時間序列方法
12.1 時間序列基本概念
12.1.1 時間序列的定義
12.1.2 時間序列的組成因素
12.1.3 時間序列的分類
12.1.4 時間序列分析方法
12.2 平穩(wěn)時間序列分析方法
12.2.1 移動平均法
12.2.2 指數平滑法
12.3 季節(jié)指數預測法
12.3.1 季節(jié)性水平模型
12.3.2 季節(jié)性趨勢模型
12.4 時間序列模型
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 應用實例：基于時間序列的股票預測
12.6 小結
參考文獻
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 遺傳算法實例
13.2.4 遺傳算法的特點
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 模擬退火算法實例
13.3.4 模擬退火算法的特點
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
參考文獻
第三篇項目篇
第14章數據挖掘在銀行信用評分中的應用
14.1 概述
14.1.1 信用評分的概念
14.1.2 信用評分的意義
14.1.3 個人信用評分的影響因素
14.1.4 信用評分的方法
14.2 DM法信用評分實施過程
14.2.1 數據的準備
14.2.2 數據預處理
14.2.3 logistics模型
14.2.4 神經網絡模型
14.3 AHP信用評分方法
14.3.1 AHP法簡介
14.3.2 AHP法信用評分實例
14.4 延伸閱讀：企業(yè)信用評級
14.5 小結
第15章數據挖掘在量化選股中的應用
15.1 量化選股概述
15.1.1 量化選股定義
15.1.2 量化選股實現過程
15.1.3 量化選股的分類
15.2 數據的處理及探索
15.2.1 獲取股票日交易數據
15.2.2 計算指標
15.2.3 數據標準化
15.2.4 變量篩選
15.3 模型的建立及評估
15.3.1 股票預測的基本思想
15.3.2 模型的訓練及評價
15.4 組合投資的優(yōu)化
15.4.1 組合投資的理論基礎
15.4.2 組合投資的實現
15.5 量化選股的實施
15.6 小結
參考文獻
第16章數據挖掘在工業(yè)故障診斷中的應用
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 數據挖掘技術的故障診斷原理
16.2 DM設備故障診斷實例
16.2.1 加載數據
16.2.2 探索數據
16.2.3 設置訓練樣本的測試樣本
16.2.4 決策樹方法訓練模型
16.2.5 集成決策樹方法訓練模型
16.3 小結
第17章數據挖掘技術在礦業(yè)工程中的應用
17.1 概述
17.1.1 礦業(yè)工程的內容
17.1.2 礦業(yè)工程的數據及特征
17.1.3 數據挖掘技術在礦業(yè)工程中的作用
17.2 礦業(yè)工程數據挖掘實例：提純預測
17.2.1 數據的集成
17.2.2 采用插值方式處理缺失值
17.2.3 設置建模數據及驗證方式
17.2.4 多元線性回歸模型
17.3 小結
參考文獻
第18章數據挖掘技術在生命科學中的應用
18.1 概述
18.1.1 生命科學的研究內容
18.1.2 生命科學中大數據的特征
18.1.3 數據挖掘技術在生命科學中的作用
18.2 生命科學數據挖掘實例：基因表達模式挖掘
18.2.1 加載數據
18.2.2 數據初探
18.2.3 數據清洗
18.2.4 層次聚類
18.2.5 K-means聚類
18.3 小結
參考文獻
第19章數據挖掘在社會科學研究中的應用
19.1 概述
19.1.1 社會學研究的內容
19.1.2 社會學研究的方法
19.1.3 數據挖掘在社會科學研究中的應用情況
19.2 社會科學挖掘實例：人類行為研究
19.2.1 加載數據
19.2.2 數據可視化
19.2.3 神經網絡
19.2.4 混淆矩陣評價分類器
19.2.5 ROC法評價分類器
19.2.6 變量優(yōu)選
19.2.7 用優(yōu)選的變量訓練網絡
19.3 小結
第四篇理念篇
第20章數據挖掘的藝術
20.1 確定數據挖掘目標的藝術
20.1.1 數據挖掘中的商業(yè)意識
20.1.2 商業(yè)意識到數據挖掘目標
20.1.3 商業(yè)意識的培養(yǎng)
20.2 應用技術的藝術
20.2.1 技術服務于業(yè)務的藝術
20.2.2 算法選擇的藝術
20.2.3 與機器配合的藝術
20.3 數據挖掘中平衡的藝術
20.3.1 客觀與主觀的平衡
20.3.2 數據量的平衡
20.4 理性對待大數據時代
20.4.1 發(fā)展大數據應避免的誤區(qū)
20.4.2 正確認識大數據的價值
20.4.3 正面大數據應用面臨的挑戰(zhàn)
20.5 小結
參考文獻
第21章數據挖掘的項目管理和團隊管理
21.1 數據挖掘項目實施之道
21.1.1 確定可行的目標
21.1.2 遵守數據挖掘流程
21.1.3 項目的質量控制
21.1.4 項目效率
21.1.5 成本控制
21.1.6 數據挖掘過程改進
21.2 數據挖掘團隊的組建
21.2.1 數據挖掘項目團隊的構成
21.2.2 團隊負責人
21.3 數據挖掘團隊的管理
21.3.1 團隊管理的目標與策略
21.3.2 規(guī)范化的管理
21.4 優(yōu)秀數據挖掘人才的修煉
21.4.1 專業(yè)知識與技術
21.4.2 快速獲取知識的技能
21.4.3 提高表達能力
21.4.4 提高管理能力
21.4.5 培養(yǎng)對數據挖掘的熱情
21.5 小結