本书主要讲述商务数据分析的基本理论、方法及其应用。全书分为三篇，第1篇基础篇，介绍商务数据分析的基础理论及Python等数据分析工具。第2篇方法篇，句括数据预处理方法、特征工程方法，以及近年来流行的机器学习和深度学习方法及其在商务数据分析中的应用。第3篇案例篇，以3个商务数据分析的综合项目开发实例展示商务数据分析过程和各种方法的综合应用。本书注重理论联系实际，提供丰富的案例及代码，可以让读者在实践中学习和掌握最新的商务数据分析方法。

第1篇 基础篇
第1章 商务数据分析理论基础
1.1 商务数据类型
1.2 商务数据分析流程
1.3 商务数据分析阶段和方法
1.3.1 商务数据分析的阶段
1.3.2 商务数据分析的方法
1.4 用Python进行商务数据分析
课后习题
第2章 Python基础知识
2.1 Python环境搭建
2.1.1 Python版本
2.1.2 安装Anaconda发行版
2.1.3 检验安装是否成功
2.2 Python解释器
2.2.1 数据类型
2.2.2 变量
2.2.3 列表
2.2.4 字典
2.2.5 布尔型
2.2.6 if语句
2.2.7 for语句
2.2.8 函数
2.3 NumPy
2.3.1 导入NumPy
2.3.2 生成NumPy数组
2.3.3 NumPy的算术运算
2.3.4 NumPy的N维数组
2.3.5 广播
2.3.6 访问元素
2.4 Pandas
2.4.1 Series
2.4.2 DataFrame
2.4.3 索引对象
2.5 Matplotlib
2.5.1 绘制简单图形
2.5.2 Pyplot的功能
2.5.3 显示图像
课后习题
第2篇 方法篇
第3章 商务数据分析方法概述
3.1 数据预处理
3.2 特征工程
3.3 机器学习方法
3.4 深度学习方法
3.4.1 深度学习简介
3.4.2 深度学习方法简介
3.4.3 深度学习框架
课后习题
第4章 数据预处理
4.1 数据探索性分析
4.2 数据清洗
4.2.1 缺失值处理
4.2.2 异常值处理
4.2.3 泰坦尼克号数据清洗过程
4.3 数据重构
4.4 数据可视化
4.5 京东冰箱订单数据预处理
4.5.1 数据集信息
4.5.2 缺失值处理
4.5.3 订单分析
课后习题
第5章 特征工程
5.1 特征缩放
5.1.1 归一化
5.1.2 正则化
5.2 特征编码
5.2.1 序号编码
5.2.2 独热编码
5.2.3 二进制编码
5.2.4 多元化
5.2.5 离散化
5.3 特征提取
5.3.1 主成分分析
5.3.2 线性判别分析
5.3.3 独立成分分析
5.4 特征选择
5.4.1 特征选择原理
5.4.2 过滤式选择
5.4.3 包裹式选择
5.4.4 嵌入式选择
5.5 特征构建
5.6 泰坦尼克号数据特征工程
5.6.1 缺失值填充
5.6.2 编码分类变量
课后习题
第6章 决策树方法及其应用
6.1 决策树简介
6.2 决策树的构造过程
6.2.1 特征选择
6.2.2 决策树生成
6.2.3 决策树剪枝
6.3 决策树算法实现
6.3.1 结点定义
6.3.2 特征选取
6.3.3 结点分裂
6.4 基于决策树的用户购买行为预测
课后习题
第7章 支持向量机方法及其应用
7.1 分类超平面与最大间隔
7.2 对偶问题与拉格朗日乘子法
7.3 核函数
7.4 软间隔与正则化
7.5 基于支持向量机的鸢尾花分类预测
课后习题
第8章 集成学习方法及其应用
8.1 Bagging算法
8.2 Boosting算法
8.3 随机森林
8.4 XGBoost算法
8.5 基于随机森林的鸢尾花分类预测
8.6 基于随机森林的泰坦尼克号生存概率预测
8.6.1 切割训练集和测试集
8.6.2 模型创建
8.6.3 输出模型预测结果
8.6.4 模型评估
课后习题
第9章 神经网络及其应用
9.1 前馈神经网络
9.2 反馈神经网络
9.3 激活函数
9.4 损失函数
9.4.1 回归损失
9.4.2 分类损失
9.5 基于BP神经网络的港口货物吞吐量预测
9.5.1 数据描述
9.5.2 参数介绍
9.5.3 代码实现
课后习题
第10章 卷积神经网络及其应用
10.1 卷积神经网络的结构
10.2 卷积层
10.2.1 卷积运算
10.2.2 填充
10.2.3 步幅
10.2.4 三维数据的卷积运算
10.2.5 批处理
10.3 池化层
10.4 卷积神经网络的实现
10.5 常见卷积神经网络
10.5.1 LeNet
10.5.2 AlexNet
10.6 基于卷积神经网络的股票趋势预测
课后习题
第11章 循环神经网络及其应用
11.1 循环神经网络的记忆能力
11.2 循环神经网络的结构
11.2.1 单向循环神经网络
11.2.2 双向循环神经网络
11.3 长短期记忆网络
11.3.1 长短期记忆网络与循环神经网络的异同
11.3.2 长短期记忆网络的结构
11.3.3 长短期记忆网络变体
11.4 基于长短期记忆网络算法的通货膨胀率预测
11.4.1 业务背景分析
11.4.2 指标选择与数据说明
11.4.3 训练方法及优化器选择
11.4.4 超参数的设定和网络结构