当前位置:首页 > 工业技术
业务建模与数据挖掘
业务建模与数据挖掘

业务建模与数据挖掘PDF电子书下载

工业技术

  • 电子书积分:14 积分如何计算积分?
  • 作 者:(美)Dorian Pyle著;杨冬青,马秀莉,唐世渭等译
  • 出 版 社:北京:机械工业出版社
  • 出版年份:2005
  • ISBN:7111161947
  • 页数:429 页
图书介绍:本书系统而详尽地介绍了揭示需求、确定问题、发现数据、确定代价,以及探究整个问题域所涉及的最基本的概念。
《业务建模与数据挖掘》目录

目录 2

译者序 2

前言 2

译者简介 2

第一部分 本领域的概要 2

第1章 世界、知识与模型 2

1.1 世界的本质 2

1.1.1 事件 3

1.1.2 对象 4

1.1.3 感知 5

1.1.4 数据 6

1.1.5 结构 6

1.2 系统 7

1.3 知识结构 8

1.3.1 认知问题 9

1.3.2 范型、原型、模式与认知 10

1.3.3 表示知识的框架 12

1.3.4 个人知识 13

1.3.5 社会知识 13

1.3.6 其他类型的知识 13

1.4 改变知识结构 14

1.4.1 符号和符号化知识 15

1.4.2 作为一个网络的知识 16

1.4.3 变化着的迹象,变化着的结论 17

1.4.4 知识结构中的聚集和突变 17

1.5 小结 18

补充材料 19

第2章 转变经验 20

2.1 挖掘和思想 20

2.1.1 剖析数据 21

2.1.2 数据和抽象 22

2.1.3 识别模式 23

2.1.4 静态模式 24

2.1.5 动态模式 26

2.1.6 新颖、实用、洞察和兴趣 27

2.1.7 挖掘与模式搜寻 28

2.2 世界的系统 28

2.2.1 放形式和封闭形式的系统和解决方案 29

2.2.2 系统本质 30

2.2.3 耦合与反馈 30

2.2.4 系统思考 31

2.3 战略和战术 33

2.3.1 战略对战术的决策和行动 33

2.3.2 解决问题 34

2.3.3 不确定性的种类 34

2.3.4 降低不确定性的代价 35

2.3.5 用受约束选项来决策 35

2.4 小结 35

第3章 建模与挖掘的结合 37

3.1 问题 37

3.1.1 识别问题 38

3.1.2 描述问题 39

3.1.3 构造问题 39

3.1.4 隐藏的假设 40

3.2 现实世界的数据 40

3.2.1 数据的特性 40

3.2.2 计量和描述 41

3.2.3 错误和信心 42

3.3 假说:解释数据 42

3.3.1 数据结构 43

3.3.2 交互和关系 43

3.3.3 假说和解释 44

3.4 做出决策 45

3.4.1 决策的框架:表示选择 45

3.4.2 博弈论 46

3.4.3 线性规划 47

3.5 决策 47

3.5.1 规范化的决策:我们该做什么 48

3.5.2 发现可能性:我们能做什么 50

3.5.3 持久性和变化的理论概要 51

3.6 小结 54

第二部分 业务建模 56

第4章 什么是模型 56

4.1 数据、信息和知识简介 56

4.1.1 数据 56

4.1.2 信息 57

4.1.3 知识 59

4.2 观察者的模型指南 60

4.2.1 推理模型 60

4.2.2 预测模型 61

4.2.3 关联模型 62

4.2.4 系统模型 63

4.2.5 静态模型 64

4.2.6 动态模型 65

4.2.7 定性模型 66

4.2.9 比较模型 67

4.2.8 定量模型 67

4.2.10 交互模型 68

4.2.11 模型类型总结 69

4.3 作为一种行为的建模 70

4.3.1 目标 70

4.3.2 经验建模 71

4.3.3 解释数据 72

4.4 小结 73

4.3.4 建模假设 73

第5章 构建业务模型 74

5.1 建立框架 75

5.2 确定目标 77

5.3 问题和决策 78

5.3.1 决策符号 79

5.3.2 决策图 81

5.4 为情形建模:将决策与世界观连接起来 83

5.3.3 建立决策框架 83

5.5 选项:评估可能性 84

5.5.1 战略 84

5.5.2 战术 85

5.5.3 连接战略回报 86

5.5.4 将战略链接到一起 87

5.5.5 将选项映射到战略 88

5.6 期望:评估未来 89

5.6.1 或许是一个有风险的业务 89

5.6.2 风险选择 91

5.6.3 令人满意的收获,令人遗憾的损失 91

5.6.4 基准 92

5.6.5 战略风险 93

5.7 最后的调整 94

5.8 为问题框架构图 94

5.8.1 沃波利装饰品 95

5.8.2 作图、建模和挖掘 97

5.9 小结 98

5.10 对决策图的解释 98

5.11 风险计算 99

5.11.1 原始风险 100

5.11.2 偏置期望:BRAVE 100

第6章 获得正确的模型 101

6.1 交互地探索相关领域 102

6.1.1 利益相关群体 102

6.1.2 说与听 104

6.2 利用比喻为业务情形建模 108

6.2.1 系统比喻 109

6.2.2 物理系统比喻 115

6.3 探索工具 120

6.3.1 思维示意图 120

6.3.2 认知示意图 123

6.3.3 认知模型 124

6.4 业务案例 126

6.4.1 什么是业务案例 127

6.4.2 使业务案例与企业需求一致 128

6.4.3 准备业务案例 130

6.4.4 投资回报率 131

6.4.5 业务案例的汇编和呈递 132

6.5 现实:用我的数据可以做什么 133

6.5.1 寻找问题 134

6.5.2 问题机会:企业价值链 134

6.5.3 初始项目规模 136

6.6 小结 136

第7章 确保模型正确 137

7.1 发现用以挖掘的数据 137

7.1.1 外部数据 137

7.1.2 现有数据 138

7.1.3 专门产生的数据 139

7.2 使用数据 156

7.2.1 变量类型 157

7.2.2 融合数据集 158

7.3 小结 161

第8章 模型的部署 162

8.1 修改业务过程 162

8.2 成功的动机 164

8.3 模型类别的影响 165

8.3.1 推理的模型:提供解释 165

8.3.2 预测模型 168

8.4 小结 170

第三部分 数据挖掘 172

第9章 数据挖掘模型入门 172

9.1 查看数据 172

9.2 预处理第一步:检验 174

9.2.1 “打量”变量 174

9.2.2 修复变量的基本问题 178

9.2.3 对数据集的基本检查 180

9.3.1 表示时间、距离和差异关系 189

9.3 基本特征提取 189

9.3.2 重编码 191

9.3.3 表示对象 192

9.4 调查数据 194

9.5 小结 195

第10章 挖掘工具做什么 196

10.1 数据挖掘算法 196

10.1.1 变量类型及其对算法的影响 197

10.1.2 刻画邻域特点:最近邻居 198

10.1.3 平滑表示 207

10.1.4 不连续的和非函数的表示 214

10.1.5 算法总结 217

10.2 工具和工具集 218

10.2.1 Megaputer Intelligence 218

10.2.2 Angoss Knowledge Studio 220

10.2.3 WizWhy 221

10.2.4 Bayesware Discoverer 222

10.2.5 e 223

10.2.6 Microsoft SQL Server2000 224

10.3 小结 226

第11章 获得初始模型 227

11.1 准备保持诚实 227

11.2 强调数据 229

11.2.1 输入和输出数据集配置 230

11.2.2 缺失值检查模型 235

11.2.3 实用的诚实:使用训练和测试数据集 238

11.3 为理解建模 241

11.3.1 使用判定树建立用于理解的模型 241

11.3.2 使用自组织映射为理解建模 243

11.3.3 使用线性回归为理解建模 247

11.3.4 理解数据集小结 250

11.4 为分类建模 250

11.4.1 平衡数据集 251

11.4.2 建立一个二叉的分类模型 252

11.4.3 分类错误 253

11.4.4 根据分值分类 255

11.4.5 建立连续的分类模型 255

11.4.6 建立多元分类模型 258

11.4.7 分类模型小结 263

11.5 为预测建模 263

11.5.1 为预测收集数据 265

11.5.2 因果关系 267

11.5.3 为预测建模小结 269

11.6 小结 269

补充材料 269

第12章 改进已挖掘的模型 271

12.1 从误差中学习 272

12.1.1 观察误差 272

12.1.2 预测误差 274

12.1.3 连续分类器余量 276

12.1.4 连续分类器余量——实际值坐标图 278

12.1.5 连续分类器实际值——预测值坐标图 279

12.1.6 连续分类器方差图 281

12.1.7 完美模型 283

12.1.8 分类模型余量检查小结 283

12.1.9 改进解释模型 284

12.2 提高模型质量,解决问题 285

12.2.1 问题:数据不支持模型 286

12.2.2 问题:数据不完全支持模型 287

12.2.3 问题:给数据重新定义格式 289

12.2.4 问题:算法重新特化 297

12.2.5 问题:数据不充分 306

12.2.6 问题:数据不均匀 307

12.2.7 问题:挖掘模型中的估计偏斜 308

12.2.8 问题:减少噪声 309

12.2.9 问题:类别关联 311

12.2.10 问题:局部共线性 311

12.2.11 问题:数据不代表业务问题 312

12.2.12 问题:输出值限制 313

12.2.13 问题:方差偏斜 313

12.2.14 问题:建模工具故障 313

12.2.15 问题:时代错误的变量 314

12.2.16 问题:噪声或无关变量 314

12.2.17 问题:交互作用 316

12.2.18 问题:数据不充足 321

12.3 小结 322

第13章 部署挖掘出的模型 323

13.1 部署解释性模型 323

13.2 新奇性及保持模型有效 323

13.2.1 向均值回归 324

13.2.2 分布 328

13.2.3 无分布 329

13.2.4 探测新奇性 330

13.2.5 使用新奇性探测器 333

13.3 所部署模型的形式 334

13.4 小结 335

第四部分 方法论 338

第14章 方法论概述 338

14.1 方法论的结构 339

14.1.1 行动框 340

14.1.2 发现框 341

14.1.3 技术框 342

14.1.4 例子框 342

14.1.5 印刷版本和可下载版本的差别 342

14.2 使用方法论 343

14.2.1 使用MⅡ:业务建模方法论 344

14.2.2 使用MⅢ:数据挖掘方法论 344

14.3 警告 344

第15章 MⅡ——业务建模方法论 346

第16章 MⅢ——数据挖掘方法论 362

参考资源 425

相关图书
作者其它书籍
返回顶部