掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
深度學習
-
>
Unreal Engine 4藍圖完全學習教程
-
>
深入理解計算機系統-原書第3版
-
>
Word/Excel PPT 2013辦公應用從入門到精通-(附贈1DVD.含語音視頻教學+辦公模板+PDF電子書)
IBM SPSS MODELER 18.0數據挖掘權威指南 版權信息
- ISBN：9787115507594
- 條形碼：9787115507594 ; 978-7-115-50759-4
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
IBM SPSS MODELER 18.0數據挖掘權威指南 本書特色
本書是一本以數據挖掘應用為主導，以SPSS Modeler為實踐框架的應用指南，內容涵蓋數據挖掘方法論、數據讀取、數據處理、數據可視化、統計分析與檢驗、數據挖掘算法、自動建模、集成與擴展、模型部署以及性能優化等，力求幫助讀者全面掌握數據挖掘項目的主要內容以及實踐細節。 除了操作層面，本書也盡可能地把專業晦澀的數據挖掘知識及商業應用內容以通俗易懂的方式傳遞給讀者，同時所有場景會結合IBM SPSS工具進行實現并提供樣例學習，方便讀者在學習的同時加深鞏固和理解。 如果你是在校學生、剛剛從事數據分析的大學畢業生、數據分析愛好者、市場營銷人員、產品運營人員或者數據分析師，如果你希望提升自己的數據挖掘技術，那么就適合閱讀本書。
IBM SPSS MODELER 18.0數據挖掘權威指南 內容簡介
本書是一本以數據挖掘應用為，以SPSS Modeler為實踐框架的應用指南，內容涵蓋數據挖掘方法論、數據讀取、數據處理、數據可視化、統計分析與檢驗、數據挖掘算法、自動建模、集成與擴展、模型部署以及性能優化等，力求幫助讀者全面掌握數據挖掘項目的主要內容以及實踐細節。 除了操作層面，本書也盡可能地把專業晦澀的數據挖掘知識及商業應用內容以通俗易懂的方式傳遞給讀者，同時所有場景會結合IBM SPSS工具進行實現并提供樣例學習，方便讀者在學習的同時加深鞏固和理解。 如果你是在校學生、剛剛從事數據分析的大學畢業生、數據分析愛好者、市場營銷人員、產品運營人員或者數據分析師，如果你希望提升自己的數據挖掘技術，那么就適合閱讀本書。
IBM SPSS MODELER 18.0數據挖掘權威指南 目錄
第 1章 IBM SPSS Modeler基本介紹 1
1.1 SPSS簡介 1
1.2 SPSS Modeler的特點 1
1.3 CRISP-DM方法論 4
1.4 SPSS Modeler 下載與安裝 6
1.5 SPSS Modeler的主界面及基本操作 9
1.5.1 主界面介紹 9
1.5.2 鼠標基本操作 15
1.6 SPSS Modeler連接服務器端 15
1.7 從SPSS Modeler中獲取幫助 17
1.8 實戰技巧 20
第 2章 數據讀取——源節點 24
2.1 數據的身份（存儲類型、測量級別和角色） 24
2.1.1 變量的存儲類型 24
2.1.2 變量的測量級別 25
2.1.3 變量的角色 26
2.2 數據讀取 26
2.2.1 讀取Excel文件數據 27
2.2.2 讀取變量文件數據 30
2.2.3 讀取SPSS（.sav）文件數據 32
2.2.4 讀取數據庫數據 36
2.3 實戰技巧 40
第3章 數據整理——關于數據的基本設定與集成 43
3.1 字段的“類型”功能 43
3.2 字段的“過濾器”功能 44
3.3 數據集成 46
3.3.1 數據的記錄集成：追加節點 46
3.3.2 數據的字段集成：合并節點 49
3.4 實戰技巧 51
第4章 數據整理——關于行的處理 53
4.1 數據“選擇”功能 53
4.1.1 功能介紹 53
4.1.2 實戰技巧 55
4.2 使用參數及全局變量實現數據選擇功能 56
4.2.1 參數功能 56
4.2.2 使用參數實例介紹 57
4.2.3 使用全局變量功能介紹 59
4.2.4 使用全局變量實例介紹 59
4.3 數據排序 62
4.4 數據區分 63
4.5 數據匯總 68
4.5.1 功能介紹 68
4.5.2 實戰技巧 72
第5章 數據整理——關于列的處理 73
5.1 導出 73
5.1.1 功能介紹 73
5.1.2 實例介紹 81
5.2 填充 84
5.3 重新分類 86
5.4 匿名化 89
5.5 分級化 92
5.6 設為標志 100
5.6.1 功能介紹 100
5.6.2 實例介紹 100
5.7 重建 103
5.7.1 功能介紹 103
5.7.2 實例介紹 104
5.8 轉置 107
5.8.1 功能介紹 107
5.8.2 實例介紹 107
5.9 歷史記錄 109
5.9.1 功能介紹 109
5.9.2 實例介紹 109
5.10 字段重排 113
5.11 時間間隔 116
5.11.1 功能介紹 116
5.11.2 實例介紹 116
5.12 自動數據準備 121
第6章 圖形可視化——圖形節點 128
6.1 “散點圖”節點 128
6.1.1 散點圖 128
6.1.2 線圖 139
6.1.3 多重散點圖 142
6.1.4 時間散點圖 143
6.2 “條形圖”節點 145
6.2.1 簡單條形圖 145
6.2.2 堆積條形圖 147
6.3 “直方圖”節點 148
6.3.1 直方圖 148
6.3.2 堆積直方圖 149
6.4 “網絡”節點 151
6.5 “圖形板”節點 154
6.5.1 氣泡圖 155
6.5.2 散點圖矩陣 156
6.5.3 箱圖 157
6.5.4 聚類箱圖 159
6.5.5 熱圖 161
6.6 實戰技巧：圖形的編輯模式 162
第7章 描述性統計分析 164
7.1 描述性統計分析概述 164
7.2 數據審核，一鍵輸出描述性統計分析結果169
7.3 缺失值的定義、檢查和處理 173
7.3.1 缺失值的定義和檢查 173
7.3.2 缺失值的自動化處理 177
7.4 實戰技巧 182
第8章 常用的統計檢驗分析 184
8.1 兩個連續型變量的關系分析——相關分析 184
8.1.1 相關分析 184
8.1.2 相關分析實踐——“Statistics”節點 185
8.2 兩個分類型變量的關系分析——卡方檢驗 187
8.2.1 列聯表與卡方檢驗 188
8.2.2 卡方檢驗實踐——“矩陣”節點 190
8.3 連續型變量與分類型變量間的關系分析——t檢驗及卡方分析 193
8.3.1 兩組獨立樣本均值比較 193
8.3.2 兩組配對樣本均值比較 194
8.3.3 方差分析 194
8.3.4 均值比較實踐——“平均值”節點 195
8.4 實戰技巧：相關分析的注意事項 199
第9章 回歸分析 200
9.1 一元線性回歸分析 200
9.2 一元線性回歸實踐 203
9.3 多元線性回歸分析 206
9.4 多元線性回歸實踐 210
9.5 逐步回歸分析 216
9.6 逐步回歸實踐 218
9.7 實戰技巧 220
第 10章 Logistic回歸分析 222
10.1 Logistic回歸理論概要 222
10.2 Logistic回歸中的檢驗 225
10.2.1 方程的顯著性檢驗 225
10.2.2 系數顯著性檢驗 225
10.2.3 擬合優度檢驗 227
10.3 Logistic回歸實踐案例 228
10.4 實戰技巧 237
第 11章 建模前的優化及準備工作 241
11.1 樣本管理與分區 241
11.1.1 數據抽樣 241
11.1.2 數據分區 244
11.1.3 數據平衡 245
11.2 特征選擇 247
11.3 數據變換 253
11.4 實戰技巧：分區與平衡的順序 255
第 12章 RFM分析 257
第 13章 決策樹 264
13.1 決策樹概述 264
13.1.1 決策樹的直觀理解 264
13.1.2 決策樹的生長 265
13.1.3 決策樹的剪枝 266
13.2 C5.0算法 267
13.2.1 C5.0算法的決策樹生長 267
13.2.2 C5.0算法的決策樹剪枝 270
13.2.3 代價敏感學習 270
13.2.4 C5.0算法實踐案例 271
13.3 CART算法 277
13.3.1 CART算法的決策樹生長 277
13.3.2 CART算法的決策樹剪枝 279
13.3.3 先驗概率 280
13.3.4 CART算法實踐案例 281
13.4 實戰技巧 287
13.4.1 生成規則集 287
13.4.2 跟蹤規則 289
第 14章 神經網絡 291
14.1 感知機 292
14.2 多層感知機與誤差反向傳播算法 295
14.2.1 隱藏層 295
14.2.2 反向傳播算法 296
14.3 神經網絡實踐 299
14.4 實戰技巧：生成“報告” 305
第 15章 集成學習算法 311
15.1 Bagging 311
15.2 Boosting 312
15.3 隨機森林 314
15.4 集成學習算法實踐 314
15.4.1 Bagging和Boosting實踐 315
15.4.2 隨機森林實踐 320
15.4.3 各個集成學習算法的結果比較 324
15.5 異質集成——“整體”節點 325
第 16章 聚類分析 330
16.1 聚類方法概述 330
16.2 聚類方法的關鍵：距離 330
16.3 K-means算法 331
16.3.1 K-means算法原理 331
16.3.2 K-means的其他注意事項 332
16.4 K-means聚類實踐 335
16.5 實踐技巧：使用平行圖進行比較分析 341
第 17章 KNN分類器 343
17.1 KNN學習方法原理 343
17.2 KNN分類實踐 345
17.2.1 分類預測 346
17.2.2 *近鄰識別 353
第 18章 關聯分析 356
18.1 關聯分析的基本概念 356
18.2 關聯規則的有效性指標 357
18.2.1 關聯規則的基礎評價性指標 358
18.2.2 關聯規則的實用性指標 359
18.2.3 其他的關聯規則評估指標 360
18.3 Apriori算法 361
18.3.1 生成頻繁項集 361
18.3.2 生成關聯規則 362
18.4 Apriori關聯分析實踐 363
18.5 實戰技巧：導出生成的關聯規則 367
第 19章 自動建模 368
19.1 自動分類 368
19.1.1 功能介紹 368
19.1.2 實例介紹 368
19.2 自動聚類 375
19.2.1 功能介紹 375
19.2.2 實例介紹 376
19.3 自動數值 381
19.3.1 功能介紹 381
19.3.2 實例介紹 381
第 20章 蒙特卡羅模擬法 386
20.1 模擬生成 386
20.1.1 功能介紹 386
20.1.2 實例介紹 389
20.2 模擬擬合 393
20.2.1 功能介紹 393
20.2.2 實例介紹 394
20.3 模擬求值 396
20.3.1 功能介紹 396
20.3.2 實例介紹 396
第 21章 SPSS Modeler的集成與擴展 404
21.1 SPSS Modeler與R、Python集成 404
21.1.1 概述 404
21.1.2 SPSS Modeler與R的集成環境準備 404
21.1.3 與R的集成功能介紹 407
21.1.4 實例介紹 408
21.2 定制對話框實現與R、Python的集成 416
21.2.1 定制對話框簡介 416
21.2.2 安裝配置自定義節點 422
21.3 SPSS Modeler擴展功能 422
21.3.1 功能介紹 422
21.3.2 獲取天氣數據的應用分析案例 425
第 22章 SPSS Modeler模型部署 434
22.1 產品架構 434
22.2 通過批處理任務定時運行模型 435
22.2.1 功能介紹 435
22.2.2 實例介紹 436
22.3 SPSS Modeler服務器安裝及管理（For Linux） 438
22.3.1 正常維護SPSS Modeler服務器 438
22.3.2 SPSS Modeler 服務器如何在Linux上安裝及配置 439
22.3.3 配置ODBC連接數據庫 440
22.4 SPSS Modeler官方支持的數據庫和Hadoop平臺 443
第 23章 性能優化 448
23.1 功能介紹 448
23.2 客戶端SQL性能優化 451
23.3 數據庫內建模 453
23.3.1 功能介紹 453
23.3.2 實例介紹 453
23.4 使用外部程序批量加載 456
1.1 SPSS簡介 1
1.2 SPSS Modeler的特點 1
1.3 CRISP-DM方法論 4
1.4 SPSS Modeler 下載與安裝 6
1.5 SPSS Modeler的主界面及基本操作 9
1.5.1 主界面介紹 9
1.5.2 鼠標基本操作 15
1.6 SPSS Modeler連接服務器端 15
1.7 從SPSS Modeler中獲取幫助 17
1.8 實戰技巧 20
第 2章 數據讀取——源節點 24
2.1 數據的身份（存儲類型、測量級別和角色） 24
2.1.1 變量的存儲類型 24
2.1.2 變量的測量級別 25
2.1.3 變量的角色 26
2.2 數據讀取 26
2.2.1 讀取Excel文件數據 27
2.2.2 讀取變量文件數據 30
2.2.3 讀取SPSS（.sav）文件數據 32
2.2.4 讀取數據庫數據 36
2.3 實戰技巧 40
第3章 數據整理——關于數據的基本設定與集成 43
3.1 字段的“類型”功能 43
3.2 字段的“過濾器”功能 44
3.3 數據集成 46
3.3.1 數據的記錄集成：追加節點 46
3.3.2 數據的字段集成：合并節點 49
3.4 實戰技巧 51
第4章 數據整理——關于行的處理 53
4.1 數據“選擇”功能 53
4.1.1 功能介紹 53
4.1.2 實戰技巧 55
4.2 使用參數及全局變量實現數據選擇功能 56
4.2.1 參數功能 56
4.2.2 使用參數實例介紹 57
4.2.3 使用全局變量功能介紹 59
4.2.4 使用全局變量實例介紹 59
4.3 數據排序 62
4.4 數據區分 63
4.5 數據匯總 68
4.5.1 功能介紹 68
4.5.2 實戰技巧 72
第5章 數據整理——關于列的處理 73
5.1 導出 73
5.1.1 功能介紹 73
5.1.2 實例介紹 81
5.2 填充 84
5.3 重新分類 86
5.4 匿名化 89
5.5 分級化 92
5.6 設為標志 100
5.6.1 功能介紹 100
5.6.2 實例介紹 100
5.7 重建 103
5.7.1 功能介紹 103
5.7.2 實例介紹 104
5.8 轉置 107
5.8.1 功能介紹 107
5.8.2 實例介紹 107
5.9 歷史記錄 109
5.9.1 功能介紹 109
5.9.2 實例介紹 109
5.10 字段重排 113
5.11 時間間隔 116
5.11.1 功能介紹 116
5.11.2 實例介紹 116
5.12 自動數據準備 121
第6章 圖形可視化——圖形節點 128
6.1 “散點圖”節點 128
6.1.1 散點圖 128
6.1.2 線圖 139
6.1.3 多重散點圖 142
6.1.4 時間散點圖 143
6.2 “條形圖”節點 145
6.2.1 簡單條形圖 145
6.2.2 堆積條形圖 147
6.3 “直方圖”節點 148
6.3.1 直方圖 148
6.3.2 堆積直方圖 149
6.4 “網絡”節點 151
6.5 “圖形板”節點 154
6.5.1 氣泡圖 155
6.5.2 散點圖矩陣 156
6.5.3 箱圖 157
6.5.4 聚類箱圖 159
6.5.5 熱圖 161
6.6 實戰技巧：圖形的編輯模式 162
第7章 描述性統計分析 164
7.1 描述性統計分析概述 164
7.2 數據審核，一鍵輸出描述性統計分析結果169
7.3 缺失值的定義、檢查和處理 173
7.3.1 缺失值的定義和檢查 173
7.3.2 缺失值的自動化處理 177
7.4 實戰技巧 182
第8章 常用的統計檢驗分析 184
8.1 兩個連續型變量的關系分析——相關分析 184
8.1.1 相關分析 184
8.1.2 相關分析實踐——“Statistics”節點 185
8.2 兩個分類型變量的關系分析——卡方檢驗 187
8.2.1 列聯表與卡方檢驗 188
8.2.2 卡方檢驗實踐——“矩陣”節點 190
8.3 連續型變量與分類型變量間的關系分析——t檢驗及卡方分析 193
8.3.1 兩組獨立樣本均值比較 193
8.3.2 兩組配對樣本均值比較 194
8.3.3 方差分析 194
8.3.4 均值比較實踐——“平均值”節點 195
8.4 實戰技巧：相關分析的注意事項 199
第9章 回歸分析 200
9.1 一元線性回歸分析 200
9.2 一元線性回歸實踐 203
9.3 多元線性回歸分析 206
9.4 多元線性回歸實踐 210
9.5 逐步回歸分析 216
9.6 逐步回歸實踐 218
9.7 實戰技巧 220
第 10章 Logistic回歸分析 222
10.1 Logistic回歸理論概要 222
10.2 Logistic回歸中的檢驗 225
10.2.1 方程的顯著性檢驗 225
10.2.2 系數顯著性檢驗 225
10.2.3 擬合優度檢驗 227
10.3 Logistic回歸實踐案例 228
10.4 實戰技巧 237
第 11章 建模前的優化及準備工作 241
11.1 樣本管理與分區 241
11.1.1 數據抽樣 241
11.1.2 數據分區 244
11.1.3 數據平衡 245
11.2 特征選擇 247
11.3 數據變換 253
11.4 實戰技巧：分區與平衡的順序 255
第 12章 RFM分析 257
第 13章 決策樹 264
13.1 決策樹概述 264
13.1.1 決策樹的直觀理解 264
13.1.2 決策樹的生長 265
13.1.3 決策樹的剪枝 266
13.2 C5.0算法 267
13.2.1 C5.0算法的決策樹生長 267
13.2.2 C5.0算法的決策樹剪枝 270
13.2.3 代價敏感學習 270
13.2.4 C5.0算法實踐案例 271
13.3 CART算法 277
13.3.1 CART算法的決策樹生長 277
13.3.2 CART算法的決策樹剪枝 279
13.3.3 先驗概率 280
13.3.4 CART算法實踐案例 281
13.4 實戰技巧 287
13.4.1 生成規則集 287
13.4.2 跟蹤規則 289
第 14章 神經網絡 291
14.1 感知機 292
14.2 多層感知機與誤差反向傳播算法 295
14.2.1 隱藏層 295
14.2.2 反向傳播算法 296
14.3 神經網絡實踐 299
14.4 實戰技巧：生成“報告” 305
第 15章 集成學習算法 311
15.1 Bagging 311
15.2 Boosting 312
15.3 隨機森林 314
15.4 集成學習算法實踐 314
15.4.1 Bagging和Boosting實踐 315
15.4.2 隨機森林實踐 320
15.4.3 各個集成學習算法的結果比較 324
15.5 異質集成——“整體”節點 325
第 16章 聚類分析 330
16.1 聚類方法概述 330
16.2 聚類方法的關鍵：距離 330
16.3 K-means算法 331
16.3.1 K-means算法原理 331
16.3.2 K-means的其他注意事項 332
16.4 K-means聚類實踐 335
16.5 實踐技巧：使用平行圖進行比較分析 341
第 17章 KNN分類器 343
17.1 KNN學習方法原理 343
17.2 KNN分類實踐 345
17.2.1 分類預測 346
17.2.2 *近鄰識別 353
第 18章 關聯分析 356
18.1 關聯分析的基本概念 356
18.2 關聯規則的有效性指標 357
18.2.1 關聯規則的基礎評價性指標 358
18.2.2 關聯規則的實用性指標 359
18.2.3 其他的關聯規則評估指標 360
18.3 Apriori算法 361
18.3.1 生成頻繁項集 361
18.3.2 生成關聯規則 362
18.4 Apriori關聯分析實踐 363
18.5 實戰技巧：導出生成的關聯規則 367
第 19章 自動建模 368
19.1 自動分類 368
19.1.1 功能介紹 368
19.1.2 實例介紹 368
19.2 自動聚類 375
19.2.1 功能介紹 375
19.2.2 實例介紹 376
19.3 自動數值 381
19.3.1 功能介紹 381
19.3.2 實例介紹 381
第 20章 蒙特卡羅模擬法 386
20.1 模擬生成 386
20.1.1 功能介紹 386
20.1.2 實例介紹 389
20.2 模擬擬合 393
20.2.1 功能介紹 393
20.2.2 實例介紹 394
20.3 模擬求值 396
20.3.1 功能介紹 396
20.3.2 實例介紹 396
第 21章 SPSS Modeler的集成與擴展 404
21.1 SPSS Modeler與R、Python集成 404
21.1.1 概述 404
21.1.2 SPSS Modeler與R的集成環境準備 404
21.1.3 與R的集成功能介紹 407
21.1.4 實例介紹 408
21.2 定制對話框實現與R、Python的集成 416
21.2.1 定制對話框簡介 416
21.2.2 安裝配置自定義節點 422
21.3 SPSS Modeler擴展功能 422
21.3.1 功能介紹 422
21.3.2 獲取天氣數據的應用分析案例 425
第 22章 SPSS Modeler模型部署 434
22.1 產品架構 434
22.2 通過批處理任務定時運行模型 435
22.2.1 功能介紹 435
22.2.2 實例介紹 436
22.3 SPSS Modeler服務器安裝及管理（For Linux） 438
22.3.1 正常維護SPSS Modeler服務器 438
22.3.2 SPSS Modeler 服務器如何在Linux上安裝及配置 439
22.3.3 配置ODBC連接數據庫 440
22.4 SPSS Modeler官方支持的數據庫和Hadoop平臺 443
第 23章 性能優化 448
23.1 功能介紹 448
23.2 客戶端SQL性能優化 451
23.3 數據庫內建模 453
23.3.1 功能介紹 453
23.3.2 實例介紹 453
23.4 使用外部程序批量加載 456
展開全部
IBM SPSS MODELER 18.0數據挖掘權威指南 相關資料
浩彬告訴我，又有新作，這讓我很驚喜。驚的是他的效率和速度，從上本書出版到本書推出，其間不過幾個月，讓人感受到這背后的執著、艱辛和付出；喜的是有浩彬這樣的年輕人主動迎接大數據時代帶給我們的機遇與挑戰，積極投身實踐，在實踐中總結提高，使我們看到了不輸于他人的希望。本書以通俗的語言、風趣的文風、實際的案例全面介紹了數據挖掘項目的主要內容及其實踐細節，相信讀者會在閱讀中掌握提高大數據開發的能力，并從中享受樂趣。 ——劉建平，暨南大學教授、博士生導師 作為數據分析的專業工具，如果說SPSS是數據分析從業人員的屠龍寶刀，那么此書就是關于寶刀的使用秘籍。讓人意外的是，兩位作者似乎真的想把所有關于SPSS的心得都拿出來，才形成了一本如此詳盡且豐富的“算法及工具指南”。我相信此書能讓每位從事或希望從事數據挖掘的工作者都獲益匪淺，它是一本可以放在辦公桌上供讀者隨時查閱的“字典”。 ——陳光慧，暨南大學研究生院副院長、經濟學院統計學系副主任、教授、博士生導師 “橫看成嶺側成峰”，同一門技術站在不同的角度進行解讀都會別有一番新意。作者延續經典的數據挖掘算法話題，從一門綜合的知識體系下沉到專業的技術工具層面，無疑IBM SPSS Modeler就是那把指向數據挖掘的“利劍”。如何用好這把劍，就需要認真閱讀和學習這本著作了。我們不光要掌握“法”，更要掌握好破“法”的那門“器”。 ——梁勇，天善智能創始人 IBM SPSS是全球領先的統計分析、數據挖掘、預測建模產品及解決方案，在業界廣為使用。本書的兩位作者擁有在不同行業及領域極為豐富的SPSS實踐經驗，他們能夠把多年在IBM實際項目中的應用經驗很好地總結出來奉獻給大家；同時作為產品的實際支持人員，還能夠從產品本身*初的設計角度出發，把一些比較實用的功能點很好地剖析介紹給大家，相信如此打造的一本書*是大數據分析愛好者和實踐者的至愛。 ——劉詠梅，IBM Technical Executive 關于SPSS的工具書不少，但近幾年新作并不多，因此我一直在期待SPSS這一塊的新作品。看到這本新作的時候，我是既驚又喜。驚的是兩位作者竟真敢把這么多的內容都放在一本書中；喜的是盡管內容頗多，但層次分明，既深入地剖析了相關算法，又很好地兼顧了實戰的案例，這確實是一本不可多得的佳作。 ——鐘云飛，IBM資深數據科學家 浩彬在日常繁忙工作的間隙編寫了一本本專業的工具書，吸引了越來越多優秀的人才進入大數據挖掘行業，為推動這個行業的發展做出了自己的貢獻。我一直認為，寫一本工具書不僅要有扎實的技術功底、豐富的實操經驗以及忍受寂寞的耐力，更需要一點點使命感和情懷。支撐作者面對著書歲月的枯燥和煩瑣的，正是這種使命和情懷，我在浩彬身上看到了它，相信讀者們也一定可以看到！ ——朱斌，廣東省環保廳環境咨詢專家委員會專家、廣東柯內特環境科技有限公司總經理
IBM SPSS MODELER 18.0數據挖掘權威指南 作者簡介
張浩彬， 人稱“浩彬老撕”，歷任IBM華南區SPSS分析工程師，IBM大中華區認知解決方案專家，現任廣東柯內特環境科技有限公司數據科學家。多年來一直從事數據分析、數據挖掘的商業應用項目，專注于人工智能的商業化技術應用，曾與人合著《數據實踐之美》，獨自創作《小白學數據挖掘與機器學習：SPSS Modeler案例篇》。個人微信公眾號：探數尋理（wetalkdata），致力于機器學習及應用技術分享。 周偉珠， 曾在IBM華南區大數據分析部門擔任售前咨詢顧問，專門負責SPSS產品的推廣、培訓及方案咨詢，熟悉SPSS Modeler、SPSS Statistics和SPSS Cooperations and deployment services產品的使用及應用場景，現任匯豐銀行數據分析師。熱愛寫作，曾為IBM大數據技術團隊微信公眾號原創30多篇文章，與廣大客戶朋友分享SPSS數據挖掘技術及應用，并獲得一致好評。近十幾年一直從事數據分析工作，積累了金融、電信、零售、制造、互聯網、電商、政府等多個行業的數據分析項目經驗。
書友推薦
- >
煙與鏡
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
巴金－再思錄
- >
李白與唐代文化
- >
月亮虎
- >
詩經-先民的歌唱
- >
山海經
本類暢銷
