前辅文
 绪论
  0.1 为什么学习大数据智能分析
  0.2 数据的智能化发展
  0.3 大数据智能分析理论和方法的基本内容
  0.4 大数据智能分析的价值
  关键术语
  本章小结
  即测即评
  参考文献
 第1章 常规数据预处理
  1.1 数据预处理的目的
  1.2 数据清洗
  1.3 数据集成
  1.4 数据变换
  1.5 数据归约
  1.6 案例分析：基于大规模开放在线课程平台MOOC 的学生信息数据清洗
  关键术语
  本章小结
  即测即评
  参考文献
 第2章 数据降维
  2.1 主成分分析
  2.2 奇异值分解
  2.3 多维缩放
  2.4 等度量映射
  2.5 局部线性嵌入算法
  2.6 相关方法的推导过程
  2.7 案例分析：基于PCA 方法的人脸特征提取
  关键术语
  本章小结
  即测即评
  参考文献
 第3章 特征选择
  3.1 特征选择概述
  3.2 过滤式特征选择
  3.3 包裹式特征选择
  3.4 嵌入式特征选择
  3.5 案例分析：Lending Club 信贷违约预测的特征集选择
  关键术语
  本章小结
  即测即评
  参考文献
 第4章 决策树
  4.1 决策树概述
  4.2 特征选择
  4.3 决策树生成
  4.4 树的修剪
  4.5 案例分析：电信行业客户流失分析
  关键术语
  本章小结
  即测即评
  参考文献
 第5章 K 近邻学习
  5.1 基本概念及原理
  5.2 预测算法
  5.3 K 近邻算法的三个基本要素
  5.4 K 近邻算法的特点
  5.5 K 近邻算法的改进
  5.6 案例分析：基于K 近邻算法预测明天是否会降雨
  关键术语
  本章小结
  即测即评
  参考文献
 第6章 支持向量机
  6.1 支持向量机概述
  6.2 数据线性可分的情况——线性SVM
  6.3 数据非线性可分的情况——非线性SVM
  6.4 应用SVM 进行模式分类
  6.5 应用SVM 进行非线性回归
  6.6 案例分析：基于SVM 预测鸢尾花种类
  关键术语
  本章小结
  即测即评
  参考文献
 第7章 贝叶斯学习
  7.1 朴素贝叶斯分类器
  7.2 半朴素贝叶斯分类器
  7.3 贝叶斯网络
  7.4 案例分析：基于贝叶斯学习判断文章的作者归属
  关键术语
  本章小结
  即测即评
  参考文献
 第8章 集成学习
  8.1 集成学习简介
  8.2 Boosting
  8.3 Bagging
  8.4 随机森林
  8.5 案例分析：基于不同集成学习方法预测波士顿地区房价
  关键术语
  本章小结
  即测即评
  参考文献
 第9章 关联规则
  9.1 关联规则的概念
  9.2 关联规则算法
  9.3 案例分析：沃尔玛的蛋挞与飓风用品营销方案
  关键术语
  本章小结
  即测即评
  参考文献
 第10章 聚类
  10.1 聚类概述
  10.2 划分聚类算法K-Means
  10.3 层次聚类算法AGNES 和DIANA
  10.4 密度聚类算法DBSCAN
  10.5 案例分析：零售电商用户画像构建
  关键术语
  本章小结
  即测即评
  参考文献
 第11章 人工神经网络
  11.1 从生物神经网络开始
  11.2 感知器
  11.3 感知器的训练
  11.4 多层神经网络和反向传播
  11.5 其他形式的神经网络
  11.6 案例分析：利用Lending Club数据预测借款人违约概率
  关键术语
  本章小结
  即测即评
  参考文献
 第12章 深度学习
  12.1 深度学习概述
  12.2 卷积神经网络
  12.3 其他类型的深度学习神经网络
  12.4 案例分析：图像纹理转移问题
  关键术语
  本章小结
  即测即评
  参考文献
 第13章 推荐系统
  13.1 推荐系统概述
  13.2 基于内容的推荐
  13.3 基于用户的协同过滤
  13.4 基于物品的协同过滤
  关键术语
  本章小结
  即测即评
  参考文献
 第14章 广告点击率预测
  14.1 搜索引擎商业模式
  14.2 广告点击率预测
  14.3 CTR 预测机器学习模型的发展
  关键术语
  本章小结
 第15章 信息流中的内容推荐
  15.1 信息流产品商业生态
  15.2 信息流推荐系统
  15.3 推荐系统的信息茧房和冷启动的问题
  关键术语
  本章小结
 第16章 游戏运营中的数据挖掘
  16.1 游戏中的智能化运营场景
  16.2 游戏运营中的新增用户
  16.3 游戏运营中的流失用户干预
  16.4 游戏运营中的商业化
  关键术语
  本章小结