公安大數(shù)據(jù)應(yīng)用基礎(chǔ)

大數(shù)據(jù)理論模塊
第1章 大數(shù)據(jù)理論 2
1．1 大數(shù)據(jù)的概念 2
1．1．1 大數(shù)據(jù)的定義 2
1．1．2 大數(shù)據(jù)的本質(zhì) 2
1．1．3 大數(shù)據(jù)的分類 3
1．1．4 大數(shù)據(jù)的特征 5
1．1．5 大數(shù)據(jù)的功能 6
1．1．6 大數(shù)據(jù)處理的基本流程 6
1．2 大數(shù)據(jù)的發(fā)展 7
1．2．1 大數(shù)據(jù)的發(fā)展現(xiàn)狀 7
1．2．2 大數(shù)據(jù)的發(fā)展趨勢(shì) 7
1．3 大數(shù)據(jù)的應(yīng)用 8
1．3．1 企業(yè)內(nèi)部大數(shù)據(jù) 8
1．3．2 在線社交網(wǎng)絡(luò)大數(shù)據(jù) 8
1．3．3 健康醫(yī)療大數(shù)據(jù) 9
1．3．4 金融大數(shù)據(jù) 9
1．4 常用的數(shù)據(jù)挖掘工具 10
1．4．1 Tableau 10
1．4．2 Excel 10
1．4．3 SPSS Modeler 11
數(shù)據(jù)分析與挖掘模塊
第2章 SPSS Modeler軟件 14
2．1 SPSS Modeler 軟件概述 14
2．1．1 SPSS Modeler界面 14
2．1．2 數(shù)據(jù)流的基本管理和執(zhí)行 16
2．1．3 數(shù)據(jù)流的其他管理 18
2．1．4 SPSS Modeler應(yīng)用案例 20
2．2 SPSS Modeler數(shù)據(jù)的讀入 25
2．2．1 變量的類型 25
2．2．2 讀數(shù)據(jù) 26
2．2．3 生成實(shí)驗(yàn)方案數(shù)據(jù) 32
2．2．4 數(shù)據(jù)合并 34
2．3 SPSS Modeler數(shù)據(jù)的基本分析 38
2．3．1 數(shù)據(jù)質(zhì)量 38
2．3．2 基本描述分析 44
2．3．3 變量分布探索 47
2．3．4 二分類型變量相關(guān)性研究 49
2．3．5 兩總體的平均值比較 56
2．3．6 變量的重要性分析 62
第3章 數(shù)據(jù)清洗 67
3．1 數(shù)據(jù)清洗概述 67
3．1．1 數(shù)據(jù)清洗的概念 67
3．1．2 數(shù)據(jù)清洗的對(duì)象 67
3．1．3 數(shù)據(jù)清洗的一般步驟 68
3．1．4 數(shù)據(jù)清洗的常用方式 69
3．1．5 數(shù)據(jù)清洗的基本方法 69
3．2 Excel數(shù)據(jù)清洗的基本操作 70
3．2．1 重復(fù)值的處理 70
3．2．2 缺失值及異常值的處理 74
3．3 Excel數(shù)據(jù)加工的基本操作 78
3．3．1 字段分列 78
3．3．2 字段合并 79
3．3．3 字段匹配 80
3．3．4 數(shù)據(jù)分組 81
3．4 Excel數(shù)據(jù)透視表 81
3．4．1 數(shù)據(jù)透視表應(yīng)用 81
3．4．2 數(shù)據(jù)透視表的實(shí)用技巧 85
第4章 時(shí)間序列分析 89
4．1 時(shí)間序列 89
4．1．1 時(shí)間序列概述 89
4．1．2 時(shí)間序列的預(yù)測(cè)步驟 90
4．2 移動(dòng)平均法 90
4．2．1 一次移動(dòng)平均法 91
4．2．2 二次移動(dòng)平均法 94
4．3 指數(shù)平滑法 96
4．3．1 一次指數(shù)平滑法 97
4．3．2 二次指數(shù)平滑法 98
4．3．3 三次指數(shù)平滑法 104
第5章 分類預(yù)測(cè)：決策樹 110
5．1 決策樹概述 110
5．1．1 什么是決策樹 110
5．1．2 決策樹的幾何理解 111
5．1．3 決策樹的核心問(wèn)題 111
5．2 SPSS Modeler中的C5．0算法及應(yīng)用 113
5．2．1 C5．0決策樹的分割點(diǎn) 113
5．2．2 C5．0決策樹的剪枝過(guò)程 114
5．2．3 C5．0決策樹的推理規(guī)則集 115
5．2．4 C5．0決策樹的應(yīng)用 116
5．3 SPSS Modeler中的C＆RT算法及應(yīng)用 123
5．3．1 C＆RT的生長(zhǎng)過(guò)程 124
5．3．2 C＆RT的剪枝過(guò)程 125
5．3．3 C＆RT的應(yīng)用 127
5．4 SPSS Modeler中的CHAID算法及應(yīng)用 129
5．4．1 CHAID算法的最佳分組變量 130
5．4．2 CHAID算法的剪枝過(guò)程 130
5．4．3 Exhaustive CHAID算法 131
5．4．4 CHAID算法的應(yīng)用 131
5．5 SPSS Modeler中的QUEST算法及應(yīng)用 132
5．5．1 QUEST算法的最佳分割點(diǎn) 132
5．5．2 QUEST算法的應(yīng)用 133
5．6 決策樹算法的評(píng)估和注意事項(xiàng) 134
第6章 分類預(yù)測(cè)：人工神經(jīng)網(wǎng)絡(luò) 143
6．1 人工神經(jīng)網(wǎng)絡(luò)概述 143
6．1．1 人工神經(jīng)網(wǎng)絡(luò)的概念和種類 143
6．1．2 人工神經(jīng)網(wǎng)絡(luò)中的節(jié)點(diǎn) 145
6．1．3 建立人工神經(jīng)網(wǎng)絡(luò)的一般步驟 147
6．2 SPSS Modeler中的B-P反向傳播網(wǎng)絡(luò) 149
6．2．1 感知器模型 149
6．2．2 B-P反向傳播網(wǎng)絡(luò) 152
6．2．3 B-P反向傳播算法 154
6．2．4 B-P反向傳播網(wǎng)絡(luò)的建立 156
6．3 SPSS Modeler中的徑向基函數(shù)網(wǎng)絡(luò) 159
6．3．1 徑向基函數(shù)網(wǎng)絡(luò) 159
6．3．2 徑向基函數(shù)網(wǎng)絡(luò)中的隱藏層節(jié)點(diǎn)和輸出節(jié)點(diǎn) 160
6．3．3 徑向基函數(shù)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程 161
6．4 人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用 162
第7章 分類預(yù)測(cè)：Logistic回歸分析 176
7．1 二項(xiàng)Logistic回歸方程 176
7．1．1 二項(xiàng)Logistic回歸方程概述 176
7．1．2 二項(xiàng)Logistic回歸方程中系數(shù)的含義 178
7．2 二項(xiàng)Logistic回歸分析的應(yīng)用 180
7．3 多項(xiàng)Logistic回歸分析的應(yīng)用 184
第8章 關(guān)聯(lián)分析 185
8．1 簡(jiǎn)單關(guān)聯(lián)規(guī)則分析 185
8．1．1 簡(jiǎn)單關(guān)聯(lián)規(guī)則的基本概念 186
8．1．2 簡(jiǎn)單關(guān)聯(lián)規(guī)則的有效性和實(shí)用性 187
8．2 Apriori算法 190
8．2．1 尋找頻繁項(xiàng)集 190
8．2．2 依據(jù)頻繁項(xiàng)集產(chǎn)生簡(jiǎn)單關(guān)聯(lián)規(guī)則 192
8．3 Apriori算法的應(yīng)用 193
8．4 序列關(guān)聯(lián)規(guī)則分析 200
8．4．1 序列關(guān)聯(lián)規(guī)則的基本概念 200
8．4．2 序列關(guān)聯(lián)規(guī)則的時(shí)間約束 201
8．5 Sequence算法 202
8．5．1 產(chǎn)生頻繁序列集 202
8．5．2 依據(jù)頻繁序列集生成序列關(guān)聯(lián)規(guī)則 203
8．6 Sequence算法的應(yīng)用 204
第9章 聚類分析 208
9．1 聚類分析概述 208
9．2 K-Means聚類算法及應(yīng)用 209
9．2．1 K-Means聚類算法對(duì)“親疏程度”的衡量 209
9．2．2 K-Means聚類過(guò)程 209
9．2．3 K-Means聚類算法的應(yīng)用 211
9．3 兩步聚類算法及應(yīng)用 219
9．3．1 兩步聚類算法對(duì)“親疏程度”的衡量 219
9．3．2 兩步聚類過(guò)程 220
9．3．3 兩步聚類算法的應(yīng)用 222
9．4 Kohonen網(wǎng)絡(luò)聚類算法及應(yīng)用 224
9．4．1 Kohonen網(wǎng)絡(luò)聚類算法的原理 224
9．4．2 Kohonen網(wǎng)絡(luò)聚類過(guò)程 225
9．4．3 Kohonen網(wǎng)絡(luò)聚類算法的應(yīng)用 227
9．5 基于聚類分析的離群值探索及應(yīng)用 230
9．5．1 多維空間基于聚類的診斷方法 230
9．5．2 多維空間基于聚類的診斷方法的應(yīng)用 232
數(shù)據(jù)可視化模塊
第10章 數(shù)據(jù)可視化 238
10．1 數(shù)據(jù)可視化入門 238
10．1．1 i2 Analyst’s Notebook 8軟件 238
10．1．2 基本概念 239
10．1．3 數(shù)據(jù)接口 243
10．2 基本功能 243
10．2．1 基本操作 243
10．2．2 搜索查找 245
10．3 功能演練 248
10．3．1 話單關(guān)系分析 248
10．3．2 人員物品動(dòng)態(tài)關(guān)系 255
10．3．3 銀行賬戶交易分析 259
10．3．4 話單ABC分析 266
10．3．5 盜竊案旅業(yè)分析 272
10．3．6 人員活動(dòng)軌跡 275