為什么要寫這本書
LinkedIn通過對全球超過3.3億用戶的工作經(jīng)歷和技能進行分析后得出，在目前炙手可熱的25項技能中，數(shù)據(jù)挖掘人才需求排名第一。那么數(shù)據(jù)挖掘是什么呢？
數(shù)據(jù)挖掘是從大量數(shù)據(jù)（包括文本）中挖掘出隱含的、先前未知的、對決策有潛在價值的關(guān)系、模式和趨勢，并用這些知識和規(guī)則建立用于決策支持的模型，提供預(yù)測性決策支持的方法、工具和過程。數(shù)據(jù)挖掘有助于企業(yè)發(fā)現(xiàn)業(yè)務(wù)的趨勢，揭示已知的事實，預(yù)測未知的結(jié)果，因此，數(shù)據(jù)挖掘已成為企業(yè)保持競爭力的必要方法。
與國外相比，我國信息化程度仍不算高，企業(yè)內(nèi)部信息也不完整，零售、銀行、保險、證券等行業(yè)對數(shù)據(jù)挖掘的應(yīng)用還不太理想。但隨著市場競爭的加劇，各行業(yè)對數(shù)據(jù)挖掘技術(shù)的需求越來越強烈，可以預(yù)計，未來幾年各行業(yè)的數(shù)據(jù)分析應(yīng)用一定會從傳統(tǒng)的統(tǒng)計分析發(fā)展到大規(guī)模的數(shù)據(jù)挖掘應(yīng)用。在大數(shù)據(jù)時代，數(shù)據(jù)過剩、人才短缺，數(shù)據(jù)挖掘?qū)�業(yè)人才的培養(yǎng)將離不開專業(yè)知識和職業(yè)經(jīng)驗積累。所以，本書注重數(shù)據(jù)挖掘理論與項目案例實踐相結(jié)合，讓讀者獲得真實的數(shù)據(jù)挖掘?qū)W習與實踐環(huán)境，更快、更好地學習數(shù)據(jù)挖掘知識并積累職業(yè)經(jīng)驗。
總的來說，隨著云時代的來臨，大數(shù)據(jù)技術(shù)將具有越來越重要的戰(zhàn)略意義。大數(shù)據(jù)已經(jīng)滲透到每一個行業(yè)和業(yè)務(wù)職能領(lǐng)域，逐漸成為重要的生產(chǎn)要素，人們對于海量數(shù)據(jù)的運用將預(yù)示著新一輪生產(chǎn)率增長和消費者盈余浪潮的到來。大數(shù)據(jù)分析技術(shù)將幫助企業(yè)用戶在合理的時間內(nèi)攫取、管理、處理、整理海量數(shù)據(jù)，為企業(yè)經(jīng)營決策提供積極幫助。大數(shù)據(jù)分析作為數(shù)據(jù)存儲和挖掘分析的前沿技術(shù)，廣泛應(yīng)用于物聯(lián)網(wǎng)、云計算、移動互聯(lián)網(wǎng)等戰(zhàn)略性新興產(chǎn)業(yè)。雖然目前大數(shù)據(jù)在國內(nèi)還處于初級階段，但是其商業(yè)價值已經(jīng)顯現(xiàn)出來，特別是有實踐經(jīng)驗的大數(shù)據(jù)分析人才更是各企業(yè)爭奪的焦點。為了滿足日益增長的大數(shù)據(jù)分析人才需求，很多高校開始嘗試開設(shè)不同程度的大數(shù)據(jù)分析課程。大數(shù)據(jù)分析作為大數(shù)據(jù)時代的核心技術(shù)，必將成為高校數(shù)學與統(tǒng)計學專業(yè)的重要課程之一。
第2版與第1版的區(qū)別
本書在第1版的基礎(chǔ)上進行了代碼與內(nèi)容的全方位升級。在代碼方面，將整書代碼由Python 2升級至Python 3.6。在內(nèi)容方面，對基礎(chǔ)篇和實戰(zhàn)篇均做了升級。
基礎(chǔ)篇具體升級內(nèi)容如下。
第1章增加了章節(jié)的引言；修改了1.5節(jié)中對TipDM開源數(shù)據(jù)挖掘建模平臺的介紹。
第2章修改了2.4節(jié)中對配套附件的說明。
第3章增加3.2節(jié)所有圖形繪制的代碼。
第4章修改了4.1.1節(jié)中對牛頓插值法原理的描述。
第5章修改了5.1.3節(jié)中對邏輯回歸模型的評價和相關(guān)解釋；5.2.4節(jié)中更新了圖5-17。
實戰(zhàn)篇具體升級內(nèi)容如下。
第6章為原書第13章，新增了對Lasso回歸方法、灰色預(yù)測算法、SVR算法原理的介紹；將原書的神經(jīng)網(wǎng)絡(luò)算法改為SVR算法；刪除增值稅預(yù)測模型、營業(yè)稅預(yù)測模型、企業(yè)所得稅預(yù)測模型、個人所得稅預(yù)測模型和政府性基金收入預(yù)測模型的內(nèi)容；修改了拓展思考。
第7章增加了章節(jié)的引言；7.2.2節(jié)增加了分布分析；7.2.3節(jié)增加了RFM模型的介紹；7.2.4節(jié)增加了客戶分群雷達圖的繪制代碼。
新增第8章商品零售購物籃分析一章。
第9章增加了章節(jié)的引言；9.2.2節(jié)增加了數(shù)據(jù)預(yù)處理的Python實現(xiàn)代碼；9.2.3節(jié)中將原書的支持向量機算法改為決策樹算法。
第10章增加了章節(jié)的引言；原書的10.2.1數(shù)據(jù)抽取改為10.2.1數(shù)據(jù)探索分析，并增加了有無水流和水流量屬性的探索分析；10.2.2節(jié)增加了屬性構(gòu)造的Python實現(xiàn)代碼，原書數(shù)據(jù)清洗的內(nèi)容移到屬性構(gòu)造中實現(xiàn)。
第11章為原書第12章，增加了章節(jié)的引言；11.2.3節(jié)刪除了網(wǎng)頁排名的內(nèi)容；11.2.5節(jié)優(yōu)化了基于協(xié)同過濾算法的Python實現(xiàn)代碼，新增了模型評價的代碼，并修改了模型評價的描述。
第12章為原書第15章，增加了章節(jié)的引言；刪除原書15.2.1評論數(shù)據(jù)采集的內(nèi)容；12.2.1節(jié)優(yōu)化了預(yù)處理的方法，并增加了Python實現(xiàn)代碼；12.2.2節(jié)優(yōu)化了分詞的方法，并增加了Python實現(xiàn)代碼；12.2.3構(gòu)建模型修改了情感傾向分析的描述，增加了尋找最優(yōu)主題數(shù)的內(nèi)容，以及相關(guān)的Python實現(xiàn)代碼。
刪除原書第6章電力竊漏電用戶自動識別第8章中醫(yī)證型關(guān)聯(lián)規(guī)則挖掘第11章應(yīng)用系統(tǒng)負載分析與磁盤容量預(yù)測第14章基于基站定位數(shù)據(jù)的商圈分析這4章。
此外，本版本還額外增加了提高篇，即第13章基于Python引擎的開源數(shù)據(jù)挖掘建模平臺（TipDM），基于開源數(shù)據(jù)挖掘建模平臺（TipDM）實現(xiàn)案例，不僅能夠幫助企業(yè)建立自己的數(shù)據(jù)挖掘平臺，而且能輔助編程能力較弱的讀者更好地理解案例。
本書特色
本書作者從實踐出發(fā)，結(jié)合大量數(shù)據(jù)挖掘工程案例及教學經(jīng)驗，以真實案例為主線，深入淺出地介紹了數(shù)據(jù)挖掘建模過程中的有關(guān)任務(wù)：數(shù)據(jù)探索、數(shù)據(jù)預(yù)處理、分類與預(yù)測、聚類分析、時序預(yù)測、關(guān)聯(lián)規(guī)則挖掘、智能推薦、偏差檢測等。因此，本書的編排以解決某個應(yīng)用的挖掘目標為前提，先介紹案例背景，提出挖掘目標，再闡述分析方法與過程，最后完成模型構(gòu)建。在介紹建模的過程中同時穿插操作訓(xùn)練，把相關(guān)的知識點嵌入相應(yīng)的操作過程中。為方便讀者輕松獲取真實的實驗環(huán)境，本書使用大家熟知的Python語言對樣本數(shù)據(jù)進行處理，以進行挖掘建模。
為了幫助讀者更好地使用本書，本書提供配套的原始數(shù)據(jù)文件、Python程序代碼，讀者可以從泰迪杯數(shù)據(jù)挖掘挑戰(zhàn)賽網(wǎng)站（http://www.tipdm.org/tj/1615.jhtml）免費下載。為方便教師授課，本書還提供了PPT課件，教師可到網(wǎng)址http://www.tipdm.org/tj/840.jhtml咨詢獲取。
本書適用對象
開設(shè)數(shù)據(jù)挖掘課程的高校的教師和學生。
目前，國內(nèi)不少高校將數(shù)據(jù)挖掘引入本科教學中，在數(shù)學、計算機、自動化、電子信息、金融等專業(yè)開設(shè)了數(shù)據(jù)挖掘技術(shù)的相關(guān)課程，但這一課程的教學仍然主要限于理論介紹。單純的理論教學過于抽象，學生理解起來往往比較困難，教學效果也不甚理想。本書提供的基于實戰(zhàn)案例和建模實踐的教學，能夠使師生充分發(fā)揮互動性和創(chuàng)造性，理論聯(lián)系實際，使師生獲得最佳的教學效果。
需求分析及系統(tǒng)設(shè)計人員。
這類人員可以在理解數(shù)據(jù)挖掘原理及建模過程的基礎(chǔ)上，結(jié)合數(shù)據(jù)挖掘案例完成精確營銷、客戶分群、交叉銷售、流失分析、客戶信用記分、欺詐發(fā)現(xiàn)、智能推薦等數(shù)據(jù)挖掘應(yīng)用的需求分析和設(shè)計。
數(shù)據(jù)挖掘開發(fā)人員。
這類人員可以在理解數(shù)據(jù)挖掘應(yīng)用需求和設(shè)計方案的基礎(chǔ)上，結(jié)合本書提供的基于第三方接口快速完成數(shù)據(jù)挖掘應(yīng)用的編程實現(xiàn)。
從事數(shù)據(jù)挖掘應(yīng)用研究的科研人員。
許多科研院所為了更好地管理科研工作，紛紛開發(fā)了適應(yīng)自身特點的科研業(yè)務(wù)管理系統(tǒng)，并在使用過程中積累了大量的科研信息數(shù)據(jù)。但是，這些科研業(yè)務(wù)管理系統(tǒng)一般沒有對數(shù)據(jù)進行深入分析，對數(shù)據(jù)所隱藏的價值也沒有充分挖掘利用�？蒲腥藛T需要利用數(shù)據(jù)挖掘建模工具及有關(guān)方法論來深挖科研信息的價值，從而提高科研水平。
關(guān)注高級數(shù)據(jù)分析的人員。
業(yè)務(wù)報告和商業(yè)智能解決方案對有關(guān)人員了解過去和現(xiàn)在的狀況是非常有用的。同時，數(shù)據(jù)挖掘的預(yù)測分析解決方案還能使這類人員預(yù)見未來的發(fā)展狀況，讓他們所在的機構(gòu)能夠先發(fā)制人，而不是處于被動。因為數(shù)據(jù)挖掘的預(yù)測分析解決方案將復(fù)雜的統(tǒng)計方法和機器學習技術(shù)應(yīng)用到數(shù)據(jù)之中，通過預(yù)測分析技術(shù)來揭示隱藏在交易系統(tǒng)或企業(yè)資源計劃（ERP）、結(jié)構(gòu)數(shù)據(jù)庫和普通文件中的模式和趨勢，從而為這類人員的決策提供科學依據(jù)。
如何閱讀本書
本書共13章，分為基礎(chǔ)篇、實戰(zhàn)篇、提高篇。基礎(chǔ)篇介紹了數(shù)據(jù)挖掘的基本原理；實戰(zhàn)篇介紹了一些真實案例，通過對案例深入淺出的剖析，使讀者在不知不覺中獲得數(shù)據(jù)挖掘項目經(jīng)驗，同時快速領(lǐng)悟看似難懂的數(shù)據(jù)挖掘理論；提高篇介紹了一個基于Python引擎的開源數(shù)據(jù)挖掘建模平臺，通過平臺去編程、拖曳式的操作，向讀者展示了平臺流程化的思維，使讀者加深對數(shù)據(jù)挖掘流程的理解。讀者在閱讀過程中，應(yīng)充分利用隨書配套的案例建模數(shù)據(jù)，借助相關(guān)的數(shù)據(jù)挖掘建模工具，通過上機實驗，快速理解相關(guān)知識與理論。
基礎(chǔ)篇（第1～5章）
第1章的主要內(nèi)容是數(shù)據(jù)挖掘基礎(chǔ)；第2章對本書所用到的數(shù)據(jù)挖掘建模工具Python語言進行了簡明扼要的說明；第3～5章對數(shù)據(jù)挖掘的建模過程，包括數(shù)據(jù)探索、數(shù)據(jù)預(yù)處理及挖掘建模的常用算法與原理進行了介紹。
實戰(zhàn)篇（第6～12章）
重點對數(shù)據(jù)挖掘技術(shù)在金融、航空、零售、能源、制造和電商等行業(yè)的應(yīng)用進行了分析。在案例結(jié)構(gòu)組織上，本書是按照先介紹案例背景與挖掘目標，再闡述分析方法與過程，最后完成模型構(gòu)建的順序進行的，在建模過程關(guān)鍵環(huán)節(jié)，穿插程序?qū)崿F(xiàn)代碼。最后通過上機實踐，加深對案例應(yīng)用中的數(shù)據(jù)挖掘技術(shù)的理解。
提高篇（第13章）
重點講解了基于Python引擎的開源數(shù)據(jù)挖掘建模平臺（TipDM）的使用方法，先介紹了平臺每個模塊的功能，再以航空公司客戶價值分析案例為例，介紹如何使用平臺快速搭建數(shù)據(jù)分析與挖掘工程，展示平臺去編程化、流程化的特點。
勘誤和支持
我們已經(jīng)盡最大努力避免在文本和代碼中出現(xiàn)錯誤，但是由于水平有限，編寫時間倉促，書中難免出現(xiàn)一些疏漏和不足的地方。如果你有更多的寶貴意見，歡迎在泰迪學社微信公眾號回復(fù)圖書反饋進行反饋。更多有關(guān)本系列圖書的信息可以在泰迪杯數(shù)據(jù)挖掘挑戰(zhàn)賽網(wǎng)站（http://www.tipdm.org/tj/index.jhtml）查閱。

張良均