前言
第1章数据科学家的武器库
1.1数据科学的基本概念
1.2数理统计技术
1.2.1描述性统计分析
1.2.2统计推断与统计建模
1.3数据挖掘的技术与方法
1.4描述性数据挖掘算法示例
1.4.1聚类分析——客户细分
1.4.2关联规则分析
1.5预测性数据挖掘算法示例
1.5.1决策树
1.5.2KNN算法
1.5.3Logistic回归
1.5.4神经网络
1.5.5支持向量机
1.5.6集成学习
1.5.7预测类模型讲解
1.5.8预测类模型评估概述
第2章Python概述
2.1Python概述
2.1.1Python简介
2.1.2Python与数据科学
2.1.3Python2与Python3
2.2Anaconda Python的安装、使用
2.2.1下载与安装
2.2.2使用Jupyter Notebook
2.2.3使用Spyder
2.2.4使用conda或pip管理
第三方库
第3章数据科学的Python编程基础
3.1Python的基本数据类型
3.1.1字符串(str)
3.1.2浮点数和整数（float、int）
3.1.3布尔值（Bool：True/False）
3.1.4其他
3.2Python的基本数据结构
3.2.1列表（list）
3.2.2元组（tuple）
3.2.3集合（set）
3.2.4字典（dict）
3.3Python的程序控制
3.3.1三种基本的编程结构简介
3.3.2顺承结构
3.3.3分支结构
3.3.4循环结构
3.4Python的函数与模块
3.4.1Python的函数
3.4.2Python的模块
3.5Pandas读取结构化数据
3.5.1读取数据
3.5.2写出数据
第4章描述性统计分析与绘图
4.1描述性统计进行数据探索
4.1.1变量度量类型与分布类型
4.1.2分类变量的统计量
4.1.3连续变量的分布与集中趋势
4.1.4连续变量的离散程度
4.1.5数据分布的对称与高矮
4.2制作报表与统计制图
4.3制图的步骤
第5章数据整合和数据清洗
5.1数据整合
5.1.1行列操作
5.1.2条件查询
5.1.3横向连接
5.1.4纵向合并
5.1.5排序
5.1.6分组汇总
5.1.7拆分、堆叠列
5.1.8赋值与条件赋值
5.2数据清洗
5.2.1重复值处理
5.2.2缺失值处理
5.2.3噪声值处理
5.3RFM方法在客户行为分析上的运用
5.3.1行为特征提取的RFM方法论
5.3.2使用RFM方法计算变量
5.3.3数据整理与汇报
第6章数据科学的统计推断基础
6.1基本的统计学概念
6.1.1总体与样本
6.1.2统计量
6.1.3点估计、区间估计和中心极限定理
6.2假设检验与单样本t检验
6.2.1假设检验
6.2.2单样本t检验
6.3双样本t检验
6.4方差分析（分类变量和连续变量关系检验）
6.4.1单因素方差分析
6.4.2多因素方差分析
6.5相关分析（两连续变量关系检验）
6.5.1相关系数
6.5.2散点矩阵图
6.6卡方检验（二分类变量关系检验）
6.6.1列联表
6.6.2卡方检验
第7章客户价值预测：线性回归模型与诊断
7.1线性回归
7.1.1简单线性回归
7.1.2多元线性回归
7.1.3多元线性回归的变量筛选
7.2线性回归诊断
7.2.1残差分析
7.2.2强影响点分析
7.2.3多重共线性分析
7.2.4小结线性回归诊断
7.3正则化方法
7.3.1岭回归
7.3.2LASSO回归
第8章Logistic回归构建初始信用评级
8.1Logistic回归的相关关系分析
8.2Logistic回归模型及实现
8.2.1Logistic回归与发生比
8.2.2Logistic回归的基本原理
8.2.3在Python中实现Logistic回归
8.3Logistic回归的极大似然估计
8.3.1极大似然估计的概念
8.3.2Logistics回归的极大似然估计
8.4模型评估
8.4.1模型评估方法
8.4.2ROC曲线的概念
8.4.3在Python中实现ROC曲线
第9章使用决策树进行初始信用评级
9.1决策树概述
9.2决策树算法
9.2.1ID3建树算法原理
9.2.2C4.5建树算法原理
9.2.3CART建树算法原理
9.2.4决策树的剪枝
9.3在Python中实现决策树
9.3.1建模
9.3.2模型评估
9.3.3决策树的可视化
9.3.4参数搜索调优
第10章神经网络
10.1神经元模型
10.2单层感知器
10.3BP神经网络
10.4多层感知器的scikitlearn代码实现
第11章分类器入门：最近邻域与朴素贝叶斯
11.1KNN算法
11.1.1KNN算法原理
11.1.2在Python中实现KNN算法
11.2朴素贝叶斯分类
11.2.1贝叶斯公式
11.2.2朴素贝叶斯分类原理
11.2.3朴素贝叶斯的参数估计
11.2.4在Python中实现朴素贝叶斯
第12章高级分类器：支持向量机
12.1线性可分与线性不可分
12.2线性可分支持向量机
12.2.1函数间隔和几何间隔
12.2.2学习策略
12.2.3对偶方法求解
12.2.4线性可分支持向量机例题
12.3线性支持向量机与软间隔最大化
12.4非线性支持向量机与核函数
12.4.1核函数
12.4.2非线性支持向量机的学习
12.4.3示例与Python实现
12.5使用支持向量机的案例
第13章连续变量的特征选择与转换
13.1方法概述
13.2主成分分析
13.2.1主成分分析简介
13.2.2主成分分析原理
13.2.3主成分分析的运用
13.2.4在Python中实现主成分分析
13.3基于主成分的冗余变量筛选
13.4因子分析
13.4.1因子分析模型
13.4.2因子分析算法
13.4.3在Python中实现因子分析
第14章客户分群与聚类
14.1聚类算法概述
14.2聚类算法基本概念
14.2.1变量标准化与分布形态转换
14.2.2变量的维度分析
14.3聚类模型的评估
14.4层次聚类
14.4.1层次聚类原理
14.4.2层次聚类在Python中的实现
14.5基于划分的聚类
14.5.1kmeans聚类原理
14.5.2kmeans聚类的应用场景
14.5.3在Python中实现kmeans聚类
14.6基于密度的聚类
14.6.1详谈基于密度聚类
14.6.2在Python中实现密度聚类
14.7案例:通信客户业务使用偏好聚类
14.7.1保持原始变量分布形态进行聚类
14.7.2对变量进行分布形态转换后聚类
第15章关联规则
15.1关联规则
15.1.1关联规则的一些概念
15.1.2Apriori算法原理
15.1.3在Python中实现关联规则
15.2序列模式
15.2.1序列模式简介与概念
15.2.2序列模式算法
15.2.3在Python中实现序列模式
第16章排序模型的不平衡分类处理
16.1不平衡分类概述
16.2欠采样法
16.2.1随机欠采样法
16.2.2Tomek Link法
16.3过采样法
16.3.1随机过采样法
16.3.2SMOTE法
16.4综合采样法
16.5在Python中实现不平衡分类处理
第17章集成学习
17.1集成学习概述
17.2Bagging
17.2.1Bagging算法实现
17.2.2随机森林
17.3Boosting
17.4偏差（Bias）、方差（Variance）与集成方法
17.4.1偏差与方差
17.4.2Bagging与Boosting的直观理解
第18章时间序列建模
18.1认识时间序列
18.2效应分解法时间序列分析
18.3平稳时间序列分析ARMA模型
18.3.1平稳时间序列
18.3.2ARMA模型
18.3.3在Python中进行AR建模
18.4非平稳时间序列分析ARIMA模型
18.4.1差分与ARIMA模型
18.4.2在Python中进行ARIMA建模
18.5ARIMA方法建模总结
第19章商业数据挖掘案例
19.1个人贷款违约预测模型
19.1.1数据介绍
19.1.2业务分析
19.1.3数据理解
19.1.4数据整理
19.1.5建立分析模型
19.1.6模型运用
19.1.7流程回顾
19.2慈善机构精准营销案例
19.2.1构造营销响应模型
19.2.2构造客户价值预测模型
19.2.3制订营销策略
19.2.4案例过程回顾与不足
19.3旅游企业客户洞察案例
19.3.1案例说明
19.3.2数据预处理
19.3.3使用kmeans聚类建模
19.3.4对各个簇的特征进行描述
19.4个人3C产品精准营销案例
19.4.1案例说明
19.4.2数据预处理
19.4.3建模
19.4.4模型评估
19.4.5下一步建议
附录A 数据说明
参考文献