本书系统地介绍了大数据挖掘的基本概念、经典挖掘算法、挖掘工具和企业智慧运营应用案例。
　　全书分为9章，内容包括：大数据挖掘与智慧运营的概念，数据预处理，数据挖掘中的四种主流算法：聚类分析、分类分析、回归分析、关联分析，增强型数据挖掘算法，数据挖掘在运营商智慧运营中的应用案例，未来大数据挖掘的发展趋势等。
　　全书以运用大数据挖掘方法提升企业运营业绩与效率为主线，从运营商实际工作中选取了大量运营和销售案例，详细讲述了数据采集、挖掘建模、模型落地与精准营销的全部过程。书中大部分案例的代码、软件操作流程和微课视频可以通过扫描本书封底的二维码下载。
　　本书主要面向运营商及其他高科技企业员工、高等院校相关专业本科生和研究生，以及其他对数据挖掘与精准营销感兴趣的读者。

　　第1章大数据、数据挖掘与智慧运营综述

　　近年来，大数据、数据挖掘、机器学习、云计算和人工智能等词语日渐为人们所熟悉。本章将围绕上述基本概念和话题展开讨论。本章1.1节介绍数据挖掘的概念和发展史，1.2节介绍数据挖掘的主要流程和金字塔模型，1.3节介绍数据挖掘对企业智慧运营的重要意义，1.4节介绍大数据的基本概念、特征和挑战，1.5节介绍非结构化数据挖掘的概念和研究进展，1.6节介绍结构化数据挖掘与机器学习、深度学习和人工智能之间的关联关系，1.7节介绍常见的数据挖掘分析软件与系统。

　　1.1数据挖掘的发展史1.1.1数据挖掘的定义与起源什么是数据挖掘，数据挖掘包括哪些范畴？迄今为止不同的学者和公司仍有着不同的理解和定义。例如有的学者认为：数据挖掘即指摆脱传统的经验式、规律式的分析方法，转变为纯粹从数据出发来探索问题的本质。又例如有的公司认为：数据挖掘是一种从数据中榨取价值，提升公司运营效率的重要手段。然而，绝大部分学者和公司都认同数据挖掘的最基本定义：从数据中获取知识。

　　数据挖掘具体起源于什么年代现在已无从考证。自从有了数据，人类就开始尝试对数据进行分析。随着时代的发展，特别是计算机技术的诞生和发展，人类拥有的数据越来越多，种类越来越复杂，之前传统的浅层次的、以经验式、观察式为主的数据分析方法已不再适用，人类急需一整套深层次的、科学的数据分析方法，这些方法的总和被称为“数据挖掘”。

　　……

第1章大数据、数据挖掘与智慧运营综述1
1.1数据挖掘的发展史2
1.1.1数据挖掘的定义与起源2
1.1.2数据挖掘的早期发展3
1.1.3数据挖掘的算法前传4
1.1.4数据挖掘的第一个里程碑8
1.1.5最近十年的发展与应用11
1.2数据挖掘的主要流程与金字塔模型13
1.2.1数据挖掘的任务14
1.2.2数据挖掘的基本步骤16
1.2.3数据挖掘的架构——云计算17
1.2.4“金字塔”模型20
1.3数据挖掘对智慧运营的意义22
1.3.1“互联网+”时代的来临及其对运营商的冲击和挑战22
1.3.2大数据时代的来临及其对运营商的挑战和机遇24
1.3.3电信运营商运营发展面临的主要瓶颈26
1.3.4电信运营商发展的“三条曲线”27
1.3.5智慧运营与大数据变现29
1.3.6数据挖掘对于提升智慧运营效率的意义30
1.4大数据时代已经来临31
1.4.1大数据的定义31
1.4.2大数据的“4V”特征32
1.4.3结构化数据与非结构化数据33
1.5非结构化数据挖掘的研究进展34
1.5.1文本挖掘34
1.5.2模式识别36
1.5.3语音识别40
1.5.4视频识别44
1.5.5其他非结构化数据挖掘48
1.6数据挖掘与机器学习、深度学习、人工智能及云计算50
1.6.1机器学习51
1.6.2深度学习53
1.6.3人工智能55
1.6.4云计算56
1.7现有数据挖掘的主要分析软件与系统61
1.7.1Hadoop61
1.7.2Storm63
1.7.3Spark65
1.7.4SPASS（SPSS）66
1.7.5SAS68
参考文献70
第2章数据统计与数据预处理73
2.1数据属性类型74
2.1.1数据属性定义74
2.1.2离散属性74
2.1.3连续属性75
2.2数据的统计特性77
2.2.1中心趋势度量77
2.2.2数据散布度量78
2.2.3数据相关性82
2.3数据预处理87
2.3.1数据预处理概述87
3.6基于网格的聚类：CLIQUE140
3.6.1基于网格的聚类算法概述140
3.6.2CLIQUE算法的基本原理141
3.6.3CLIQUE算法的优势与劣势142
参考文献143
第4章分类分析145
4.1分类分析概述146
4.2分类分析的评估148
4.3决策树分析152
4.3.1决策树算法的基本原理152
4.3.2CHAID决策树160
4.3.3ID3决策树167
4.3.4C4.5决策树171
4.3.5CART决策树175
4.3.6决策树中的剪枝问题179
4.3.7决策树在SPSS中的应用180
4.4最近邻分析（KNN）185
4.4.1KNN算法的基本原理185
4.4.2KNN算法流程186
4.4.3KNN算法的若干问题187
4.4.4KNN分类器的特征188
4.4.5KNN算法在SPSS中的应用188
4.5贝叶斯分析191
4.5.1贝叶斯定理191
4.5.2朴素贝叶斯分类192
4.5.3贝叶斯网络195
4.6神经网络199
4.6.1感知器200
4.6.2多重人工神经网络201
4.6.3人工神经网络的特点203
4.7支持向量机204
第6章关联分析245
6.1关联分析概述246
6.2关联分析的评估指标247
6.2.1支持度247
6.2.2置信度248
6.2.3算法复杂度248
6.3Apriori算法249
6.3.1频繁项集的定义与产生249
6.3.2先验原理251
6.3.3基于支持度的计数与剪枝252
6.3.4候选项集生成253
6.3.5基于置信度的剪枝259
6.3.6Apriori算法规则生成259
6.4FP-tree算法261
6.4.1频繁模式树261
6.4.2FP-tree算法频繁项集的产生263
6.4.3FP-tree算法规则生成263
6.4.4算法性能对比与评估264
6.5SPSSModeler关联分析实例265
参考文献269
第7章增强型数据挖掘算法271
7.1增强型数据挖掘算法概述272
7.1.1组合方法的优势272
7.1.2构建组合分类器的方法272
7.2随机森林273
7.2.1随机森林的原理273
7.2.2随机森林的优缺点276
7.2.3随机森林的泛化误差276
7.2.4输入特征的选择方法277
7.3Bagging算法277