信息时代，大数据的应用无处不在。手机中“淘宝”“抖音”的商品推送、短视频内容推送背后，是大数据用户画像及推荐算法；道路上的“一路绿灯”背后，是智能交通——交通管理部门分析、调整交通情况；新冠肺炎疫情不漏一人的流调背后，是智慧“战疫”——有关部门以“大数据+网格化”的方式识别和挖掘目标人群迁徙轨迹；智慧电厂“一键启停、无人值守”的背后，是以大数据为基础的工业级智能化应用。本书从大数据解析的基本概念讲起，“庖丁解牛”式地为大家讲解大数据解析中常用的基础算法，介绍不同算法的基本原理和适用场合，揭开大数据解析的神秘面纱。“纸上得来终觉浅，绝知此事要躬行。”本书结合研究实例，以问题为导向，深入浅出，引导大家“根据钉子选择锤子”，领略大数据的魅力。
本书是数据分析及相关课程的教学用书，适用于高等院校自动化、数据科学与大数据技术、人工智能等涉及数据挖掘相关的专业的本科生。

1 绪论
1.1 统计学基础
1.1.1 期望、方差、协方差
1.1.2 一元高斯分布
1.1.3 多元高斯分布
1.1.4 KL散度
1.2 人工智能简介
1.2.1 人工智能的概念
1.2.2 人工智能的发展
1.2.3 人工智能的学派
1.3 机器学习
1.3.1 基本概念
1.3.2 机器学习的范式
1.3.3 机器学习的三要素
1.3.4 过拟合与正则化
1.3.5 偏差与方差
1.4 深度学习
1.4.1 生物神经网络
1.4.2 人工神经网络
1.4.3 主流的深度学习框架
本章小结
习题
参考文献
2 数据预处理与特征工程
2.1 数据预处理
2.1.1 数据清洗
2.1.2 数据变换
2.2 特征工程
2.2.1 特征提取
2.2.2 特征选择
2.3 应用实例
2.3.1 数据集简介与环境准备
2.3.2 数据集导入与字段理解
2.3.3 缺失值处理
2.3.4 异常值处理
2.3.5 数据变换
2.3.6 特征工程
2.3.7 案例小结
本章小结
习题
参考文献
3 数据降维
3.1 数据降维简介
3.2 主成分分析算法
3.2.1 主成分分析算法简介
3.2.2 主成分分析的数学原理
3.2.3 主成分分析的直观理解
3.3 慢特征分析算法
3.3.1 慢特征分析算法简介
3.3.2 慢特征分析的数学原理
3.3.3 慢特征分析的直观理解
3.4 应用实例
3.4.1 主成分分析的数值示例
3.4.2 主成分分析的应用示例
本章小结
习题
参考文献
4 回归分析
4.1 回归分析基本概念
4.1.1 回归的起源
4.1.2 回归模型的建立及应用
4.1.3 回归模型分类
4.1.4 回归模型效果评估
4.2 最小二乘回归
4.2.1 最小二乘法拟合目标
4.2.2 最小二乘回归原理
4.2.3 最小二乘法的几何意义
4.2.4 最小二乘法的缺陷
4.3 岭回归与LASSO回归
4.3.1 岭回归算法
4.3.2 LASSO回归算法
4.3.3 线性回归模型的正则化项
4.4 主元回归
4.4.1 维数灾难
4.4.2 主元回归建模
4.4.3 主成分个数选取
4.4.4 主元回归与岭回归
4.5 偏最小二乘回归
4.5.1 偏最小二乘建模
4.5.2 目标函数与算法推导
4.5.3 潜变量个数确定
4.6 回归案例分析
本章小结
习题
参考文献
5 聚类分析
5.1 基本思想与概念
5.1.1 聚类的概念
5.1.2 聚类算法分类
5.2 相似性度量
5.2.1 相似性度量的基本概念
5.2.2 距离度量
5.2.3 相关系数
5.2.4 选择相似性衡量手段的原则
5.3 K-均值聚类算法简介
5.3.1 算法思想
5.3.2 算法流程
5.3.3 算法关键影响因素
5.3.4 算法应用：图像压缩
5.4 高斯混合模型简介
5.4.1 算法介绍
5.4.2 利用GMM算法进行聚类
5.4.3 算法示例
本章小结
习题
参考文献
6 判别分析
6.1 基本理论
6.1.1 判别的基本概念
6.1.2 判别的效果评估
6.2 距离判别
6.3 贝叶斯判别
6.3.1 贝叶斯的统计思想
6.3.2 贝叶斯最小错误率判别
6.3.3 贝叶斯最小风险判别
6.3.4 先验概率的选取
6.3.5 多总体贝叶斯判别准则
6.3.6 多总体贝叶斯判别函数
6.4 Fisher判别
6.4.1 Fisher判别的基本思想
6.4.2 Fisher判别的优化目标
6.4.3 多分类问题
6.4.4 Fisher判别的分析步骤
6.4.5 案例分析
本章小结
习题
参考文献
7 支持向量机
7.1 线性可分支持向量机
7.1.1 线性可分的概念
7.1.2 间隔最大化
7.1.3 支持向量机求解
7.2 软间隔支持向量机
7.3 非线性支持向量机
7.4 支持向量回归
7.5 支持向量机实例
7.5.1 线性可分支持向量机实例
7.5.2 非线性支持向量机实例
本章小结
习题
参考文献
8 典型相关分析
8.1 基本概念
8.1.1 CCA的历史及用途
8.1.2 CCA的思想
8.1.3 CCA的扩展方法
8.2 典型相关分析算法介绍
8.3 CCA算法拓展
8.3.1 多视角CCA
8.3.2 核CCA
8.3.3 深度CCA
8.3.4 判别CCA
8.3.5 局部保留CCA
8.4 典型相关分析案例分析
8.4.1 案例一：城市竞争力分析
8.4.2 案例二：多标签分类
本章小结
习题
参考文献
9 决策树与随机森林
9.1 决策树基本内容
9.2 决策树算法介绍
9.2.1 信息熵和信息增益
9.2.2 剪枝算法
9.3 随机森林介绍
9.4 应用实例
9.4.1 Python实现决策树
9.4.2 Python实现随机森林
本章小结
习题
参考文献
10 神经网络
10.1 基本概念
10.1.1 基本结构——神经元模型
10.1.2 感知机
10.1.3 多层前馈神经网络
10.1.4