Excel在大数据挖掘中的应用[The Application Of Excel In Big Data Mining]pdf

Excel在大数据挖掘中的应用[The Application Of Excel In Big Data Mining] 内容简介

为了提升Excel的数据挖掘和统计分析能力，微软公司提供了一个免费的SQL Server 2012数据挖掘外接程序。通过该程序，Excel 2013能够快速地完成许多专业数据挖掘软件才能完成的任务。在大数据处理非常频繁和迫切的时代，许多学者在学习或工作中面临数据挖掘模型如何实现的难题，《Excel在大数据挖掘中的应用》旨在用简单的Excel 2013软件工具，轻松、快速地实现复杂的数据处理、分析和挖掘工作。

Excel在大数据挖掘中的应用[The Application Of Excel In Big Data Mining] 目录

第一篇 基本知识

第一章 大数据与数据挖掘

1.1 大数据的定义

1.2 大数据的4V特征

1.3 大数据的预测魅力

1.4 数据挖掘定义

1.5 数据挖掘的重要性

1.6 数据挖掘功能

1.7 数据挖掘步骤

1.8 数据挖掘建模的标准CRISP-DM

1.9 大数据时代数据挖掘面临的挑战

第二章 数据挖掘运用理论及技术

2.1 回归分析

2.1.1 简单线性回归分析

2.1.2 多元回归分析

2.1.3 岭回归分析

2.1.4 Logistic回归分析

2.2 关联规则

2.3 聚类分析

2.4 判别分析

2.5 神经网络分析

2.6 决策树分析

2.7 其他分析方法

第三章 数据挖掘与其他相关领域的关系

3.1 数据挖掘与统计分析的不同

3.2 数据挖掘与数据仓储的关系

3.3 KDD与数据挖掘的关系

3.4 OLAP与数据挖掘的关系

3.5 数据挖掘与机器学习的关系

3.6 网络信息挖掘和数据挖掘有什么不同？

第四章 数据挖掘商业软件产品及其应用现状

4.1 数据挖掘工具分类

4.2 各工具的简介

4.3 客户关系管理（CRM）

4.4 数据挖掘在各行业的应用

第二篇 Excel 2013数据挖掘模型

第五章 安装与配置Excel 2013数据挖掘加载项

5.1 系统需求

5.2 开始安装

5.3 完成安装验证

5.4 配置设定

5.5 设定完成验证

第六章 Excel 2013数据挖掘入门

6.1 Excel 2013数据挖掘工具栏介绍

6.2 数据挖掘使用说明

6.2.1 目录

6.2.2 使用者入门

6.2.3 视频和教程

6.3 数据挖掘连接设定

6.3.1 设定目前的连接

6.3.2 跟踪

6.4 数据准备

6.4.1 浏览数据

6.4.2 清除数据

6.4.3 分割数据

6.5 数据建模

6.6 准确性和验证

6.6.1 准确性图表

6.6.2 分类矩阵

6.6.3 利润图

6.7 模型用法

6.7.1 浏览

6.7.2 查询

6.8 模型管理

6.8.1 重命名挖掘结构

6.8.2 删除挖掘结构

6.8.3 清除挖掘结构

6.8.4 使用原始数据处理挖掘结构

6.8.5 用新数据处理挖掘结构

6.8.6 导出挖掘结构

6.8.7 导入挖掘结构

第七章 决策树

7.1 基本概念

7.2 决策树模块的建立：三种形式

7.3 决策树与判别函数比较

7.4 计算方法

7.4.1 制定预测精确性的标准规范

7.4.2 选择分裂（分层）技术

7.4.3 定义停止分裂（分层）的时间点

7.4.4 选择适当大小的决策树

7.5 Excel 2013决策树算法操作步骤

第八章 贝叶斯概率分类

8.1 基本概念

8.2 Excel 2013贝叶斯概率分类操作步骤

第九章 关联规则

9.1 基本概念

9.2 关联规则的种类

9.3 关联规则的算法：Apriori算法

9.3.1 执行步骤

9.3.2 优点

9.3.3 缺点

9.4 Excel 2013关联规则操作步骤

第十章 聚类分析

10.1 基本概念

10.1.1 搜集数据

10.1.2 转换成相似矩阵

10.2 层次聚类分析（hierarchical clustering methods）

10.2.1 系统聚类法

10.2.2 逐步聚类法

10.2.3 逐步分解法

10.2.4 有序样本的聚类

10.3 聚类分析原理

10.4 Excel 2013聚类分析操作步骤

第十一章 时序聚类

11.1 基本概念

11.2 相关研究

11.3 Excel 2013时序聚类操作步骤

第十二章 线性回归

12.1 基本概念

12.2 简单回归分析

12.3 多元回归分析

12.4 回归变量的选择

12.5 Excel 2013线性回归操作步骤

第十三章 Logistic回归

13.1 基本概念

13.2 logit变换

13.3 Logistic分布

13.4 2×2表的Logistic回归模型

13.5 Excel 2013 Logistic回归操作步骤

第十四章 神经网络

14.1 基本概念

14.2 神经网络的特性

14.3 神经网络的架构与训练算法

14.4 神经网络应用

14.5 神经网络的优缺点

14.6 神经网络的限制

14.6 Excel 2013神经网络操作步骤

第十五章 时间序列分析

15.1 基本概念

15.2 时间序列的成分

15.2.1 趋势成分

15.2.2 循环成分

15.2.3 季节成分

15.2.4 不规则成分

15.3 利用修匀法预测

15.3.1 移动平均

15.3.2 加权移动平均

15.3.3 指数修匀

15.4 用趋势投射预测时间序列

15.5 预测含趋势与季节成分的时间序列

15.5.1 消除时间序列的季节性

15.5.2 消除季节性的时间序列，辨识趋势

15.5.3 循环成分

15.6 利用回归模型预测时间序列

15.7 其他预测模型

15.8 单变量时间序列预测模型

15.8.1 自回归模型（autoregressive models,AR model）

15.8.2 移动平均过程模型（moving average process model,MA model）

15.8.3 AR-MA模型（mixed AR-MA model）

15.8.4 季节循环性时间序列模型

15.9 时间趋势预测模型

15.10 Excel 2013时间序列操作步骤

第十六章 DMX介绍

16.1 DMX介绍

16.2 DMX函数介绍

16.2.1 模型建立

16.2.2 模型训练

16.2.3 模型使用（预测）

16.2.4 其他函数语法

16.3 DMX数据挖掘语法

16.3.1 决策树

16.3.2 贝叶斯概率分类

16.3.3 关联规则

16.3.4 聚类分析

16.3.5 时序聚类

16.3.6 线性回归分析

16.3.7 Logistic回归

16.3.8 神经网络

16.3.9 时间序列

16.4 DMX应用范例

16.4.1 分类（classification）

16.4.2 估计（estimation）

16.4.3 预测（prediction）

16.4.4 关联分组（affinity grouping）

16.4.5 同质分组（clustering）

第十七章 其他分析工具

17.1 分析关键影响因素

17.2 检测类别

17.3 从示例填充

17.4 预测

17.5 突出显示异常值

17.6 应用场景分析

17.6.1 目标查找

17.6.2 假设

第三篇 实例

第十八章 台湾房屋信用贷款违约状况分析

18.1 数据说明

18.2 建立模型

第十九章 台湾健康食品行业分析

19.1 数据说明

19.2 建立模型

19.2.1 准确性图表（预测列“违约注记”＝1）

19.2.2 分类矩阵

附录

附录一 Power Query简介

1．Power Query简介

2．Power Query安装

3．Power Query进行数据分析实例

附录二 Power View简介

1．Power View简介

2．Power View操作

附录三 Power Map

1．Power Map简介

2．数据要求

3．安装Power Map

4．Power Map的功能实现

附录四 PowerPivot

1．PowerPivot加载

2．向PowerPivot工作簿中加载数据

3．在数据之间创建关系

4．创建计算列

5．创建数据透视表

Excel在大数据挖掘中的应用[The Application Of Excel In Big Data Mining] 精彩文摘

1．5数据挖掘的重要性

数据挖掘领域蓬勃发展的原因在于：现代的企业大都搜集了“大量数据”或“高维数据”，包括市场、客户、供货商、竞争对手以及未来趋势等重要信息，但是“信息超载与非结构化”，使得企业决策单位无法有效利用现存的信息，甚至使决策行为产生混乱与误用。如果能通过数据挖掘技术，从大量的数据库中，挖掘出不同的信息与知识出来，作为决策支持，必能增强企业的竞争优势。