商業(yè)分析：基于數(shù)據(jù)科學(xué)及人工智能技術(shù)的決策支持系統(tǒng)（原書第11版）

前言
致謝
作者簡(jiǎn)介
第一部分　分析和人工智能簡(jiǎn)介
第1章　用于決策支持的商務(wù)智能、分析、數(shù)據(jù)科學(xué)和人工智能系統(tǒng)概述2
1.1　開篇小插曲：通力電梯和自動(dòng)扶梯公司的智能系統(tǒng)是如何工作的3
1.2　不斷變化的商業(yè)環(huán)境、決策支持與分析需求5
1.3　決策過(guò)程和計(jì)算機(jī)化決策支持框架8
1.4　計(jì)算機(jī)決策支持向商務(wù)智能/分析/數(shù)據(jù)科學(xué)的發(fā)展20
1.5　分析概述29
1.6　相關(guān)領(lǐng)域中的分析示例37
1.7　人工智能簡(jiǎn)介50
1.8　分析與人工智能的融合58
1.9　分析生態(tài)系統(tǒng)綜述63
1.10　本書規(guī)劃64
1.11　相關(guān)資源65
本章要點(diǎn)66
討論67
參考文獻(xiàn)67
第2章　人工智能：概念、驅(qū)動(dòng)力、主要技術(shù)和商業(yè)應(yīng)用70
2.1　開篇小插曲：INRIX解決了交通問(wèn)題71
2.2　人工智能概論73
2.3　人類智能與計(jì)算機(jī)智能79
2.4　主要人工智能技術(shù)和衍生產(chǎn)品82
2.5　人工智能對(duì)決策的支持91
2.6　人工智能在會(huì)計(jì)中的應(yīng)用95
2.7　人工智能在金融服務(wù)中的應(yīng)用97
2.8　人工智能在人力資源管理中的應(yīng)用101
2.9　人工智能在營(yíng)銷、廣告和客戶關(guān)系管理中的應(yīng)用103
2.10　人工智能在生產(chǎn)運(yùn)營(yíng)管理中的應(yīng)用107
本章要點(diǎn)109
討論110
參考文獻(xiàn)111
第3章　數(shù)據(jù)性質(zhì)、統(tǒng)計(jì)建模和可視化113
3.1　開篇小插曲：SiriusXM通過(guò)數(shù)據(jù)驅(qū)動(dòng)型營(yíng)銷吸引新一代的廣播消費(fèi)者114
3.2　數(shù)據(jù)的性質(zhì)117
3.3　簡(jiǎn)單的數(shù)據(jù)分類法120
3.4　數(shù)據(jù)預(yù)處理的藝術(shù)和科學(xué)124
3.5　用于業(yè)務(wù)分析的統(tǒng)計(jì)建模133
3.6　用于推論統(tǒng)計(jì)的回歸建模143
3.7　業(yè)務(wù)報(bào)告154
3.8　數(shù)據(jù)可視化157
3.9　不同類型的圖表和圖形162
3.10　視覺分析的出現(xiàn)165
3.11　信息儀表板172
本章要點(diǎn)177
討論177
參考文獻(xiàn)178
第二部分　預(yù)測(cè)性分析/機(jī)器學(xué)習(xí)
第4章　數(shù)據(jù)挖掘過(guò)程、方法和算法182
4.1　開篇小插曲：美國(guó)邁阿密戴德警察局使用預(yù)測(cè)性分析來(lái)預(yù)測(cè)和打擊犯罪182
4.2　數(shù)據(jù)挖掘概念186
4.3　數(shù)據(jù)挖掘應(yīng)用196
4.4　數(shù)據(jù)挖掘過(guò)程199
4.5　數(shù)據(jù)挖掘方法206
4.6　數(shù)據(jù)挖掘軟件工具221
4.7　數(shù)據(jù)挖掘隱私問(wèn)題、誤解和失誤227
本章要點(diǎn)231
討論232
參考文獻(xiàn)233
第5章　用于預(yù)測(cè)性分析的機(jī)器學(xué)習(xí)技術(shù)234
5.1　開篇小插曲：預(yù)測(cè)建模有助于更好地理解和管理復(fù)雜的醫(yī)療程序234
5.2　神經(jīng)網(wǎng)絡(luò)的基本概念237
5.3　神經(jīng)網(wǎng)絡(luò)架構(gòu)241
5.4　支持向量機(jī)245
5.5　基于過(guò)程的支持向量機(jī)使用方法254
5.6　用于預(yù)測(cè)的最鄰近法256
5.7　樸素貝葉斯分類法260
5.8　貝葉斯網(wǎng)絡(luò)268
5.9　集成建模274
本章要點(diǎn)286
討論287
參考文獻(xiàn)288
第6章　深度學(xué)習(xí)和認(rèn)知計(jì)算290
6.1　開篇小插曲：利用深度學(xué)習(xí)和人工智能打擊欺詐291
6.2　深度學(xué)習(xí)介紹294
6.3　“淺”神經(jīng)網(wǎng)絡(luò)基礎(chǔ)299
6.4　基于神經(jīng)網(wǎng)絡(luò)系統(tǒng)的開發(fā)流程308
6.5　闡明ANN黑箱原理314
6.6　深度神經(jīng)網(wǎng)絡(luò)317
6.7　卷積神經(jīng)網(wǎng)絡(luò)323
6.8　循環(huán)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)334
6.9　實(shí)現(xiàn)深度學(xué)習(xí)的計(jì)算機(jī)框架341
6.10　認(rèn)知計(jì)算344
本章要點(diǎn)354
討論356
參考文獻(xiàn)357
第7章　文本挖掘、情感分析和社交分析360
7.1　開篇小插曲：Amadori集團(tuán)將消費(fèi)者情感轉(zhuǎn)化為近實(shí)時(shí)銷售361
7.2　文本分析和文本挖掘概述363
7.3　自然語(yǔ)言處理369
7.4　文本挖掘應(yīng)用375
7.5　文本挖掘過(guò)程382
7.6　情感分析390
7.7　Web挖掘概述401
7.8　搜索引擎406
7.9　Web使用情況挖掘（Web分析）413
7.10　社交分析419
本章要點(diǎn)428
討論429
參考文獻(xiàn)430
第三部分　規(guī)范性分析和大數(shù)據(jù)
第8章　規(guī)范性分析：優(yōu)化與仿真434
8.1　開篇小插曲：費(fèi)城學(xué)區(qū)使用規(guī)范性分析來(lái)尋找外包巴士路線的最佳解決方案435
8.2　基于模型的決策436
8.3　決策支持的數(shù)學(xué)模型的結(jié)構(gòu)442
8.4　確定性、不確定性和風(fēng)險(xiǎn)444
8.5　電子表格決策模型446
8.6　數(shù)學(xué)規(guī)劃優(yōu)化450
8.7　多重目標(biāo)、靈敏度分析、假設(shè)分析和單變量求解460
8.8　基于決策表和決策樹的決策分析464
8.9　仿真簡(jiǎn)介466
8.10　視覺交互仿真473
本章要點(diǎn)478
討論479
參考文獻(xiàn)479
第9章　大數(shù)據(jù)、云計(jì)算和位置分析：概念和工具481
9.1　開篇小插曲：在電信公司中使用大數(shù)據(jù)方法分析客戶流失情況482
9.2　大數(shù)據(jù)定義485
9.3　大數(shù)據(jù)分析基礎(chǔ)490
9.4　大數(shù)據(jù)技術(shù)494
9.5　大數(shù)據(jù)與數(shù)據(jù)倉(cāng)庫(kù)503
9.6　內(nèi)存分析和Apache Spark508
9.7　大數(shù)據(jù)和流分析514
9.8　大數(shù)據(jù)提供商和平臺(tái)519
9.9　云計(jì)算和業(yè)務(wù)分析526
9.10　基于位置的組織分析537
本章要點(diǎn)544
討論544
參考文獻(xiàn)545
第四部分　機(jī)器人、社交網(wǎng)絡(luò)、人工智能與物聯(lián)網(wǎng)
第10章　機(jī)器人：工業(yè)和消費(fèi)者領(lǐng)域的應(yīng)用548
10.1　開篇小插曲：機(jī)器人為患者和兒童提供情感支持548
10.2　機(jī)器人技