第1章 分析学入门

分析学与分析有区别吗

数据挖掘该归何处

分析学何以突然受到追捧

分析学的应用领域

分析学面临的主要挑战

分析学的发展历史

分析学的简单分类

分析学的前沿技术——以IBM Watson为例

第2章 数据挖掘入门

数据挖掘是什么

哪些不属于数据挖掘

数据挖掘最常见的应用

数据挖掘能够发现怎样的规律

常用的数据挖掘工具

数据挖掘的负面影响：隐私问题

第3章 数据挖掘过程

数据库知识获取过程

跨行业标准化数据挖掘流程

SEMMA

数据挖掘六西格玛方法

哪种方法最好

第4章 数据与数据挖掘的方法

数据挖掘中的数据属性

数据挖掘中的数据预处理

数据挖掘方法

预测法

分类法

决策树

数据挖掘中的聚类分析

K均值聚类算法

关联法

Apriori算法

对数据挖掘的误解与事实

第5章 数据挖掘算法

近邻算法

评估相似性：距离度量

人工神经网络

支持向量机

线性回归

逻辑回归

时间序列预测

第6章 文本分析和情感分析

自然语言处理

文本挖掘应用

文本挖掘的流程

文本挖掘工具

情感分析

第7章 大数据分析学

大数据从何而来

定义“大数据”的V们

大数据的关键概念

大数据分析处理的商业问题

大数据科技

数据科学家

大数据和流分析法

数据流挖掘

译者后记