本书包含理论和案例两部分内容，前半部分主要从基础知识、指导思想、工作步骤及评估体系等角度对大数据建模的方法论进行了总结和归纳，后半部分则通过若干案例介绍了该大数据建模方法论在气象、能源、网络、银行以及企业管理等多个领域中的实践及应用。大数据建模的特点使其不但需要有理论上的指导，还需要在实践中落地，因此本书非常强调理论与实践的并重。本书的主要读者是各高等院校大数据、数学、计算机等相关学科的高年级本科生和研究生，以及企事业单位中从事大数据相关科研与应用工作的技术人员等，希望读者在阅读本书后，对大数据建模的认识有所提高，同时还能掌握利用大数据建模来解决实际问题的能力。

I 理论
1基础知识
1.1 模型与算法
1.1.1 现实世界和机理
1.1.2 模型
1.1.3 算法
1.1.4 模型与算法的区别及联系
1.2 建模
1.2.1 传统建模的步骤
1.2.2 可计算建模
1.2.3 建模思路的分类
1.2.4 几种建模思路的对比
1.3 大数据及其相关概念
1.3.1 大数据
1.3.2 计算能力
1.3.3 人工智能
1.3.4 几个概念之间的关系
1.3.5 大数据概念出现的原因
1.4 我国大数据建模的现状
1.4.1 现状
1.4.2 不同业界的态度
1.5 小结
参考文献
2数据思维
2.1 什么是数据思维
2.1.1 数据思维的由来
2.1.2 数据思维的要素
2.2 机器学习概述
2.2.1 机器学习的分类
2.2.2 机器学习的数学描述
2.3 大数据建模的五个必要条件
2.4 思考题
参考文献
3大数据建模步骤
3.1 从苹果和梨说起
3.2 明确目标
3.3 收集数据和样本定义
3.3.1 样本定义和挑选
3.3.2 样本定义案例
3.3.3 数据准备
3.4 提取特征
3.4.1 特征工程的定义
3.4.2 特征工程的重要性
3.4.3 特征获取
3.4.4 特征处理
3.4.5 特征选择
3.4.6 特征维度
3.4.7 特征共线性问题
3.5 模型训练
3.5.1 随机梯度下降方法
3.5.2 过拟合问题
……
II 案例
参考文献