本書全面介紹了預(yù)測性分析相關(guān)方法，不僅直觀地闡述了相關(guān)概念，還給出了現(xiàn)實(shí)的示例問題和真實(shí)的案例研究包括從失敗項(xiàng)目獲得的經(jīng)驗(yàn)教訓(xùn)。
本書理論和實(shí)踐內(nèi)容相對平衡，便于讀者加深理解。
全書共9章，外加一個(gè)附錄。
第1章為分析導(dǎo)論，
第2章為預(yù)測性分析和數(shù)據(jù)挖掘?qū)д摚?br />第3章介紹預(yù)測性分析的標(biāo)準(zhǔn)流程，
第4章介紹預(yù)測性分析的數(shù)據(jù)和方法，
第5章介紹預(yù)測性分析算法，
第6章探討預(yù)測性建模中的高階主題，
第7章介紹文本分析、主題建模和情感分析，
第8章介紹預(yù)測性分析使用的大數(shù)據(jù)，
第9章介紹深度學(xué)習(xí)和認(rèn)知計(jì)算，
附錄展望了商業(yè)分析和數(shù)據(jù)科學(xué)工具的前景。
本書適合計(jì)算機(jī)科學(xué)、數(shù)據(jù)科學(xué)和商業(yè)分析領(lǐng)域的相關(guān)從業(yè)人員閱讀。

通常來說，商業(yè)分析，特別是預(yù)測性分析，用于預(yù)見未來和做出更明智、更快的商業(yè)決策。從錯誤中學(xué)習(xí)的傳統(tǒng)觀念不再適用，現(xiàn)實(shí)更像是一擊出局。要想在當(dāng)前動蕩的商業(yè)環(huán)境中生存，管理者就必須以絕對準(zhǔn)確的方式及時(shí)識別問題和機(jī)會，并計(jì)算和實(shí)施最優(yōu)決策。在這種情況下，使用商業(yè)分析的組織不僅可以生存下來，而且還能夠茁壯成長。商業(yè)分析曾被認(rèn)為是一種高級/可選的能力，現(xiàn)在則是一種必需品必須具備的組織能力。有了商業(yè)分析，公司可以利用數(shù)據(jù)了解發(fā)生了什么，預(yù)見將要發(fā)生什么，并落實(shí)會發(fā)生的事情。商業(yè)分析現(xiàn)在是企業(yè)管理的黃金標(biāo)準(zhǔn)。

分析（或者更恰當(dāng)?shù)卣f是數(shù)據(jù)分析）可以簡單地定義為發(fā)現(xiàn)數(shù)據(jù)中有意義的模式新奇的信息和知識。我們生活在大數(shù)據(jù)時(shí)代，數(shù)據(jù)正在高速、大量和多樣化地被創(chuàng)建，因此分析的定義主要關(guān)注的是數(shù)據(jù)的價(jià)值主張。商業(yè)分析是一種特殊的分析應(yīng)用，它利用底層的工具、技術(shù)和原則來為極其復(fù)雜的商業(yè)問題提供解決方案。企業(yè)通常將分析應(yīng)用于商業(yè)數(shù)據(jù)，以描述、預(yù)測和優(yōu)化其商業(yè)機(jī)會并最大化其績效。商業(yè)分析是當(dāng)今商界最時(shí)興的詞之一，無論看何種商業(yè)期刊，你都很可能會看到關(guān)于分析以及分析如何改變管理決策方式的文章。分析已經(jīng)成為循證管理（即證據(jù)/數(shù)據(jù)驅(qū)動的決策）的新標(biāo)簽。問題是：為什么分析變得如此流行？為什么是現(xiàn)在？主要原因可以分為四類：需求、可用性、可負(fù)擔(dān)性和文化改變。

商業(yè)分析按照術(shù)語層次性質(zhì)通常分為三個(gè)層次/梯級：描述性分析、預(yù)測性分析和規(guī)范性分析。組織通常從描述性分析開始，然后轉(zhuǎn)向預(yù)測性分析，最后實(shí)現(xiàn)規(guī)范性分析。雖然這三個(gè)分析梯級是分層的（就復(fù)雜性和煩瑣性而言），但是從較低層次到較高層次并沒有明確的區(qū)分。也就是說，企業(yè)在處于描述性分析層次的時(shí)候，也可以零碎地使用預(yù)測性分析甚至規(guī)范性分析。預(yù)測性分析是本書的主要主題，它處于描述性分析之后和規(guī)范性分析之前。在描述性分析方面已經(jīng)成熟的組織會進(jìn)入預(yù)測性分析這個(gè)關(guān)鍵層次。在這個(gè)層次中，組織的目光放在了已經(jīng)發(fā)生的事情之外，并試圖回答將會發(fā)生什么？的問題。本書會深入介紹各種分析技術(shù)的預(yù)測能力。

或許是由于作為流行詞被迅速普及，分析一詞正在取代智能挖掘和發(fā)現(xiàn)等先前流行的詞的地位。例如，商務(wù)智能變成了商業(yè)分析，客戶智能變成了客戶分析，Web挖掘變成了Web分析，知識發(fā)現(xiàn)變成了數(shù)據(jù)分析。就連商業(yè)分析這個(gè)名字本身也受到了數(shù)據(jù)科學(xué)機(jī)器學(xué)習(xí)和認(rèn)知計(jì)算等流行詞的挑戰(zhàn)。但是，不論使用什么詞，目標(biāo)都是相同的：從大型且特征豐富的數(shù)據(jù)中創(chuàng)建可操作洞見。因?yàn)楝F(xiàn)代分析可能需要進(jìn)行大量計(jì)算（是由大數(shù)據(jù)在數(shù)量、種類和速度方面的特性決定的），所以用于項(xiàng)目分析的工具、技術(shù)和算法使用了管理科學(xué)、計(jì)算機(jī)科學(xué)、統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)、數(shù)據(jù)科學(xué)和數(shù)學(xué)等領(lǐng)域開發(fā)的最新、最先進(jìn)的方法。

Dursun Delen博士是商業(yè)分析、數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)領(lǐng)域的國際知名專家。他經(jīng)常受邀參加各種國內(nèi)外會議，就數(shù)據(jù)/文本挖掘、商務(wù)智能、決策支持系統(tǒng)、商業(yè)分析、數(shù)據(jù)科學(xué)和知識管理等主題做大會報(bào)告。在2001年被聘任為俄克拉荷馬州立大學(xué)（Oklahoma State University）的教授前，Delen博士在工業(yè)界工作了十多年，致力于為企業(yè)開發(fā)和交付商業(yè)分析解決方案。他曾在私營應(yīng)用研究和咨詢公司Knowledge Based Systems，Inc.（KBSI）擔(dān)任研究科學(xué)家。在KBSI任職的五年間，Delen博士主持了很多與決策支持系統(tǒng)、企業(yè)工程、信息系統(tǒng)開發(fā)和高級商業(yè)分析相關(guān)的項(xiàng)目，這些項(xiàng)目由私營企業(yè)和美國聯(lián)邦機(jī)構(gòu)（包括國防部、NASA、國家科學(xué)基金會、國家標(biāo)準(zhǔn)和技術(shù)研究所以及能源部）資助。現(xiàn)在，除學(xué)術(shù)工作外，Delen博士還為企業(yè)提供專業(yè)教育和咨詢服務(wù)，幫助它們評估分析、數(shù)據(jù)科學(xué)和信息系統(tǒng)需求以及開發(fā)最先進(jìn)的計(jì)算機(jī)決策支持系統(tǒng)。
Delen博士目前的學(xué)術(shù)職位是工商管理威廉·S. 斯皮爾斯講席教授和商業(yè)分析帕特森家族講席教授。他是美國衛(wèi)生系統(tǒng)創(chuàng)新中心（Center for Health Systems Innovation）的研究主任，也是俄克拉荷馬州立大學(xué)斯皮爾斯商學(xué)院（Spears School of Business）管理科學(xué)和信息系統(tǒng)的杰出教授。他在Journal of Business Research、Journal of Business Analytics、Decision Sciences Journal、Decision Support Systems、Communications of the ACM、Computers & Operations Research、Annals of Operations Research、Computers in Industry、Journal of Production Operations Management、Artificial Intelligence in Medicine、Journal of the American Medical Informatics Association、Expert Systems with Applications、Renewable and Sustainable Energy Reviews、Energy、Renewable Energy等核心期刊上發(fā)表了150多篇經(jīng)過同行評議的研究論文。他還撰寫或與人合著了11本商業(yè)分析、數(shù)據(jù)科學(xué)和商務(wù)智能領(lǐng)域的專著和教材。
Delen博士經(jīng)常在各種商業(yè)分析和信息系統(tǒng)的會議上擔(dān)任專題和子專題的主席。目前，他是Journal of Business Analytics和Frontiers in Artificial Intelligence的主編，Journal of Decision Support Systems、Decision Sciences和Journal of Business Research的高級編輯，Decision Analytics、International Journal of Information and Knowledge Management和International Journal of RF Technologies的副主編，以及其他幾本學(xué)術(shù)期刊的編委會成員。他曾獲得著名的富布賴特學(xué)者獎、杰出教師和研究者獎、校長杰出研究者獎和大數(shù)據(jù)導(dǎo)師獎等多項(xiàng)研究和教學(xué)獎項(xiàng)。

第1章　分析導(dǎo)論1
1.1　名稱中有什么關(guān)系2
1.2　為什么分析和數(shù)據(jù)科學(xué)會突然
　　流行起來4
1.3　分析的應(yīng)用領(lǐng)域5
1.4　分析面臨的主要挑戰(zhàn)5
1.5　分析的縱向視圖6
1.6　分析的簡單分類9
1.7　分析的前沿：IBM Watson12
小結(jié)16
參考文獻(xiàn)17
第2章　預(yù)測性分析和數(shù)據(jù)挖掘?qū)д?8
2.1　什么是數(shù)據(jù)挖掘20
2.2　數(shù)據(jù)挖掘不是什么21
2.3　最常見的數(shù)據(jù)挖掘應(yīng)用22
2.4　數(shù)據(jù)挖掘能夠發(fā)現(xiàn)什么樣的模式25
2.5　流行的數(shù)據(jù)挖掘工具28
2.6　數(shù)據(jù)挖掘的潛在問題：隱私問題31
小結(jié)36
參考文獻(xiàn)36
第3章　預(yù)測性分析的標(biāo)準(zhǔn)流程38
3.1　數(shù)據(jù)庫的知識發(fā)現(xiàn)流程38
3.2　跨行業(yè)數(shù)據(jù)挖掘的標(biāo)準(zhǔn)流程39
3.3　SEMMA43
3.4　SEMMA和CRISP-DM45
3.5　數(shù)據(jù)挖掘的六西格瑪46
3.6　哪種方法最好47
小結(jié)51
參考文獻(xiàn)51
第4章　預(yù)測性分析的數(shù)據(jù)和方法52
4.1　數(shù)據(jù)分析中數(shù)據(jù)的本質(zhì)52
4.2　分析中的數(shù)據(jù)預(yù)處理54
4.3　數(shù)據(jù)挖掘方法57
4.4　預(yù)測57
4.5　分類58
4.6　決策樹63
4.7　數(shù)據(jù)挖掘中的聚類分析65
4.8　k均值聚類算法67
4.9　關(guān)聯(lián)68
4.10　Apriori算法70
4.11　數(shù)據(jù)挖掘和預(yù)測性分析的誤解
　　　與現(xiàn)實(shí)71
小結(jié)77
參考文獻(xiàn)77
第5章　預(yù)測性分析算法79
5.1　樸素貝葉斯79
5.2　最近鄰算法82
5.3　相似度度量：距離83
5.4　人工神經(jīng)網(wǎng)絡(luò)85
5.5　支持向量機(jī)88
5.6　線性回歸91
5.7　邏輯回歸94
5.8　時(shí)間序列預(yù)測95
小結(jié)99
參考文獻(xiàn)99
第6章　預(yù)測性建模中的高階主題102
6.1　模型集成102
6.2　預(yù)測性分析中的偏差方差權(quán)衡112
6.3　預(yù)測性分析中的非平衡數(shù)據(jù)問題115
6.4　預(yù)測性分析中機(jī)器學(xué)習(xí)模型的
　　可解釋性118
小結(jié)124
參考文獻(xiàn)124
第7章　文本分析、主題建模和
　　　　情感分析126
7.1　自然語言處理129
7.2　文本挖掘應(yīng)用132
7.3　文本挖掘流程135
7.4　文本挖掘工具143
7.5　主題建模144
7.6　情感分析146
小結(jié)153
參考文獻(xiàn)154
第8章　預(yù)測性分析使用的大數(shù)據(jù)156
8.1　大數(shù)據(jù)從何而來156
8.2　定義大數(shù)據(jù)的V158
8.3　大數(shù)據(jù)的基本概念160
8.4　大數(shù)據(jù)分析解決的業(yè)務(wù)問題163
8.5　大數(shù)據(jù)技術(shù)163
8.6　數(shù)據(jù)科學(xué)家169
8.7　大數(shù)據(jù)和流分析171
8.8　數(shù)據(jù)流挖掘172
小結(jié)174
參考文獻(xiàn)175
第9章　深度學(xué)習(xí)和認(rèn)知計(jì)算176
9.1　深度學(xué)習(xí)導(dǎo)論176
9.2　淺層神經(jīng)網(wǎng)絡(luò)基礎(chǔ)179
9.3　人工神經(jīng)網(wǎng)絡(luò)的要素181
9.4　深度神經(jīng)網(wǎng)絡(luò)186
9.5　卷積神經(jīng)網(wǎng)絡(luò)189
9.6　循環(huán)神經(jīng)網(wǎng)絡(luò)與長短時(shí)記憶網(wǎng)絡(luò)195
9.7　實(shí)現(xiàn)深度學(xué)習(xí)的計(jì)算機(jī)框架199
9.8　認(rèn)知計(jì)算201
小結(jié)209
參考文獻(xiàn)209
附錄　KNIME及商業(yè)分析和
　　　數(shù)據(jù)科學(xué)工具前景展望213