第1章 分析学入门 1
分析学与分析有区别吗 3
数据挖掘该归何处 3
分析学何以突然受到追捧 4
分析学的应用领域 6
分析学面临的主要挑战 6
分析学的发展历史 8
分析学的简单分类 12
分析学的前沿技术——以IBM Watson为例 17
第2章 数据挖掘入门 25
数据挖掘是什么 28
哪些不属于数据挖掘 30
数据挖掘最常见的应用 32
数据挖掘能够发现怎样的规律 36
常用的数据挖掘工具 41
数据挖掘的负面影响：隐私问题 46
第3章 数据挖掘过程 54
数据库知识获取过程 54
跨行业标准化数据挖掘流程 56
SEMMA 62
数据挖掘六西格玛方法 66
哪种方法最好 69
第4章 数据与数据挖掘的方法 74
数据挖掘中的数据属性 74
数据挖掘中的数据预处理 77
数据挖掘方法 82
预测法 83
分类法 83
决策树 91
数据挖掘中的聚类分析 93
K均值聚类算法 97
关联法 98
Apriori算法 102
对数据挖掘的误解与事实 103
第5章 数据挖掘算法 112
近邻算法 113
评估相似性：距离度量 114
人工神经网络 117
支持向量机 128
线性回归 133
逻辑回归 138
时间序列预测 140
第6章 文本分析和情感分析 145
自然语言处理 150
文本挖掘应用 154
文本挖掘的流程 159
文本挖掘工具 171
情感分析 172
第7章 大数据分析学 183
大数据从何而来 184
定义“大数据”的V们 186
大数据的关键概念 190
大数据分析处理的商业问题 195
大数据科技 196
数据科学家 205
大数据和流分析法 208
数据流挖掘 210
译者后记 213