Python是一种带有动态语义的、解释性的、面向对象的高级编程语言。其高级内置数据结构，结合动态类型和动态绑定，使其对于敏捷软件开发非常具有吸引力。同时，Python作为脚本型（胶水）语言连接现有的组件也十分高效。Python语法简洁，可读性强，从而能降低程序的维护成本。不仅如此，Python支持模块和包，鼓励程序模块化和代码重用。

本书作为数据挖掘入门读物，介绍了数据挖掘的基础知识、基本工具和实践方法，通过循序渐进地讲解算法，带你轻松踏上数据挖掘之旅。本书采用理论与实践相结合的方式，呈现了如何使用决策树和随机森林算法预测美国职业篮球联赛比赛结果，如何使用亲和性分析方法推荐电影，如何使用朴素贝叶斯算法进行社会媒体挖掘，等等。本书也涉及神经网络、深度学习、大数据处理等内容。

本书作为数据挖掘入门读物，介绍了数据挖掘的基础知识、基本工具和实践方法，通过循序渐进地讲解算法，带你轻松踏上数据挖掘之旅。本书采用理论与实践相结合的方式，呈现了如何使用决策树和随机森林算法预测美国职业篮球联赛比赛结果，如何使用亲和性分析方法推荐电影，如何使用朴素贝叶斯算法进行社会媒体挖掘，等等。本书也涉及神经网络、深度学习、大数据处理等内容。本书面向愿意学习和尝试数据挖掘的程序员。

本书共十二章，第1-4章重在介绍移动广告营销数据分析理论与案例分析，包括广告数据分析的基本概念、内容和意义，广告数据分析相关理论知识及常用分析方法，移动广告营销常见的数据分析案例剖析以及如何做一份让领导满意的数据分析报告；本书第5-6章主要介绍Python软件安装及常用包的主要用法。本书第7-10章主要介绍利用Python实现移动广告营销中常见的机器学习算法，重点掌握常用的模型评价方法，模型原理、实现方法和技巧，其中包括混淆矩阵、AUC、ROC等常用模型评价方法以及线性回归、逻辑回归、决策树、KNN、SVM、神经网络、随机森林、GBDT、XGBoost、Stacking等常用监督学习算法。第11章主要介绍k-means聚类、Lookalike相似用户挖掘等常用无监督学习算法及实现方法。第12章主要介绍移动广告营销常用的特征选择及特征工程方法。读者如果只想了解数据分析相关概念和方法，可以选择性阅读本书前四章内容，后八章偏向数据挖掘算法和编程实践等内容，有兴趣可以深入阅读全书。

这是一本金融数据挖掘与分析领域的实战性著作，它能指导零Python编程基础和零数据挖掘与分析基础的读者快速掌握金融数据挖掘与分析的工具、技术和方法。读完本书，你将会有如下3个方面的收获。（1）Python编程基础和数据预处理：首先详细讲解了Python的核心语法，以及NumPy、Matplotlib、PySpark、JupyterNotebook等Python数据处理工具的使用；然后详细介绍了数据预处理的流程和技巧。通过深入浅出的语言和丰富的样例展示，帮助初学者快速上手Python，为之后的数据分析实战夯实基础。（2）数据挖掘与分析的经典方法：详细讲解了经典的数据挖掘方法，包括聚类分析、回归分析、分类分析、异常检测、关联分析、时间序列分析等。（3）主要金融应用场景的数据挖掘方法：针对网络舆情的采集和热点分析、舆情分析中的情感分析、股价趋势预测、个人信用评分、企业信用评分、用户画像、目标客户精准分析、销售数据分析等金融行业的常见应用场景，给出了数据挖掘和分析的方法。本书注重实战，配有大量精心设计的案例，同时还有配套的讲解视频、代码和数据资源，可操作性强。

本书共十二章，第1-4章重在介绍移动广告营销数据分析理论与案例分析，包括广告数据分析的基本概念、内容和意义，广告数据分析相关理论知识及常用分析方法，移动广告营销常见的数据分析案例剖析以及如何做一份让领导满意的数据分析报告；本书第5-6章主要介绍Python软件安装及常用包的主要用法。本书第7-10章主要介绍利用Python实现移动广告营销中常见的机器学习算法，重点掌握常用的模型评价方法，模型原理、实现方法和技巧，其中包括混淆矩阵、AUC、ROC等常用模型评价方法以及线性回归、逻辑回归、决策树、KNN、SVM、神经网络、随机森林、GBDT、XGBoost、Stacking等常用监督学习算法。第11章主要介绍k-means聚类、Lookalike相似用户挖掘等常用无监督学习算法及实现方法。第12章主要介绍移动广告营销常用的特征选择及特征工程方法。读者如果只想了解数据分析相关概念和方法，可以选择性阅读本书前四章内容，后八章偏向数据挖掘算法和编程实践等内容，有兴趣可以深入阅读全书。

这是一本金融数据挖掘与分析领域的实战性著作，它能指导零Python编程基础和零数据挖掘与分析基础的读者快速掌握金融数据挖掘与分析的工具、技术和方法。读完本书，你将会有如下3个方面的收获。（1）Python编程基础和数据预处理：首先详细讲解了Python的核心语法，以及NumPy、Matplotlib、PySpark、JupyterNotebook等Python数据处理工具的使用；然后详细介绍了数据预处理的流程和技巧。通过深入浅出的语言和丰富的样例展示，帮助初学者快速上手Python，为之后的数据分析实战夯实基础。（2）数据挖掘与分析的经典方法：详细讲解了经典的数据挖掘方法，包括聚类分析、回归分析、分类分析、异常检测、关联分析、时间序列分析等。（3）主要金融应用场景的数据挖掘方法：针对网络舆情的采集和热点分析、舆情分析中的情感分析、股价趋势预测、个人信用评分、企业信用评分、用户画像、目标客户精准分析、销售数据分析等金融行业的常见应用场景，给出了数据挖掘和分析的方法。本书注重实战，配有大量精心设计的案例，同时还有配套的讲解视频、代码和数据资源，可操作性强。

本书系统地介绍了数据挖掘理论、方法与应用，包括数据特征分析与预处理，经典数据挖掘算法（分类、回归、聚类、关联规则和集成学习等），大数据新常态下催生的数据分析方法（推荐系统、链接分析与网页排序、互联网信息抽取、日志挖掘与查询分析等）等理论与方法。在此基础上，每章均有基于Python语言的实例应用。本书可以作为高等院校数据科学与大数据技术专业相关课程的教材，以及计算机、软件工程等专业的教材或参考书。高职高专学校相关专业也可选用部分内容开展教学。

“如果你想学习如何用一款统计专家和数据挖掘专家所开发的免费软件包，那就选这本书吧。本书包括大量实际案例，它们充分体现了R软件的广度和深度。” —— Bernhard Pfahringer, 新西兰怀卡托大学 本书利用大量给出必要步骤、代码和数据的具体案例，详细描述了数据挖掘的主要过程和技术，广泛涵盖数据大小、数据类型、分析目标、分析工具等方面的各种具有挑战性的问题。 本书的支持网站（http://www.liaad.up.pt/~ltorgo/DataMiningWithR/）给出了案例研究的所有代码、数据集以及R函数包。 本书特色 通过仔细选择的案例涵盖了主要的数据挖掘技术。 给出的代码和方法可以方便地复制或者改编后应用于自己的问题。 不要求读者具有R、数据挖掘或统计技术的基础知识。 包含R和MySQL基础知识的简介。 提供了对数据挖掘技术的特性、...(展开全部)

本书基于北京大学光华管理学院“数据挖掘与应用”课程。书中系统、全面地介绍了数据挖掘领域的理论、技术工具以及实践方法。主要内容包括：数据挖掘方法论、数据理解和数据准备、缺失数据、关联规则挖掘、多元统计降维、聚类分析、线性回归和广义线性回归、回归模型规则化、神经网络、决策树、支持向量机、模型评估、模型组合、协同过滤等。 书中在每种数据挖掘技术后，均辅以大量医疗、金融、营销、保险、政府部门等应用案例，并均配有相关应用的 SAS 和 R 代码，以及视频课程二维码。 第二版在头一版的基础上，增加了缺失数据、回归模型中的规则化和变量选择、卷积神经网络、支持向量机、协同过滤这5章内容。在已有各章内，本书亦增加了新的内容和示例。近些年来，R因为其自由、免费、开源，已经发展为数据分析领域*强大的软件之一。因此，本书除了继续展示 SAS 程序，还增加了 R 程序。