本书全面介绍了预测性分析相关方法，不仅直观地阐述了相关概念，还给出了现实的示例问题和真实的案例研究——包括从失败项目获得的经验教训。本书理论和实践内容相对平衡，便于读者加深理解。
全书共9章，外加一个附录。第1章为分析导论，第2章为预测性分析和数据挖掘导论，第3章介绍预测性分析的标准流程，第4章介绍预测性分析的数据和方法，第5章介绍预测性分析算法，第6章探讨预测性建模中的高阶主题，第7章介绍文本分析、主题建模和情感分析，第8章介绍预测性分析使用的大数据，第9章介绍深度学习和认知计算，附录展望了商业分析和数据科学工具的前景。
本书适合计算机科学、数据科学和商业分析领域的相关从业人员阅读。

杜尔森·德伦（Dursun Delen），俄克拉何马州立大学博士，是Spears和Patterson商务分析主席，健康系统创新中心的研究主任，俄克拉何马州立大学管理科学和信息系统教授。在他开始学术生涯之前，他为一家私营研究和顾问公司——Knowledge Based Systems工作，该公司位于得克萨斯州。他作为一位数据科学家工作了5年，在此期间，他主持了许多决策支持和其他信息系统相关的研究项目，由联邦机构资助，如DOD、NASA、NIST和DOE。德伦博士的研究发表在许多核心期刊上，包括Decision Support Systems、Communications of the ACM、Computers and Operations Research、Computers in Industry、Journal of Production Operations Management、Artificial Intelligence in Medicine和Expert Systems with Applications等。他出版了4本教材：Advanced Data Mining Techniques（Springer，2008）、Decision Support and Business Intelligence Systems（Prentice Hall，2010）、Business Intelligence：A Managerial Approach（Prentice Hall，2010）、Practical Text Mining（Elsevier，2012）。他经常被邀请参加国内和国际会议来报告数据/文本挖掘、商务智能、决策支持系统和知识管理的相关主题内容。他在第四届关于网络计算和增强信息系统管理国际会议（2008年9月2～4日在韩国首尔）上是共同主席，在各种信息系统会议作为主席服务。他是International Journal of Experimental Algorithms、International Journalof RF Technologies和Journal of Decision Analytics的副主编。同时也是5家其他技术期刊的编委。他的研究和教学领域包括数据与文本挖掘、决策支持系统、知识管理、商务智能及企业建模。

前言
致谢
作者简介
第1章 分析导论
1.1 名称中有什么关系
1.2 为什么分析和数据科学会突然流行起来
1.3 分析的应用领域
1.4 分析面临的主要挑战
1.5 分析的纵向视图
1.6 分析的简单分类
1.7 分析的前沿：IBM Watson
小结
参考文献
第2章 预测性分析和数据挖掘导论
2.1 什么是数据挖掘
2.2 数据挖掘不是什么
2.3 最常见的数据挖掘应用
2.4 数据挖掘能够发现什么样的模式
2.5 流行的数据挖掘工具
2.6 数据挖掘的潜在问题：隐私问题
小结
参考文献
第3章 预测性分析的标准流程
3.1 数据库的知识发现流程
3.2 跨行业数据挖掘的标准流程
3.3 SEMMA
3.4 SEMMA和CRISP-DM
3.5 数据挖掘的六西格玛
3.6 哪种方法最好
小结
参考文献
第4章 预测性分析的数据和方法
4.1 数据分析中数据的本质
4.2 分析中的数据预处理
4.3 数据挖掘方法
4.4 预测
4.5 分类
4.6 决策树
4.7 数据挖掘中的聚类分析
4.8 k均值聚类算法
4.9 关联
4.10 Apriori算法
4.11 数据挖掘和预测性分析的误解与现实
小结
参考文献
第5章 预测性分析算法
5.1 朴素贝叶斯
5.2 最近邻算法
5.3 相似度度量：距离
5.4 人工神经网络
5.5 支持向量机
5.6 线性回归
5.7 逻辑回归
5.8 时间序列预测
小结
参考文献
第6章 预测性建模中的高阶主题
6.1 模型集成
6.2 预测性分析中的偏差-方差权衡
6.3 预测性分析中的非平衡数据问题
6.4 预测性分析中机器学习模型的可解释性
小结
参考文献
第7章 文本分析、主题建模和情感分析
7.1 自然语言处理
7.2 文本挖掘应用
7.3 文本挖掘流程
7.4 文本挖掘工具
7.5 主题建模
7.6 情感分析
小结
参考文献
第8章 预测性分析使用的大数据
8.1 大数据从何而来
8.2 定义大数据的V
8.3 大数据的基本概念
8.4 大数据分析解决的业务问题
8.5 大数据技术
8.6 数据科学家
8.7 大数据和流分析
8.8 数据流挖掘
小结
参考文献
第9章 深度学习和认知计算
9.1 深度学习导论
9.2 浅层神经网络基础
9.3 人工神经网络的要素
9.4 深度神经网络
9.5 卷积神经网络
9.6 循环神经网络与长短时记忆网络
9.7 实现深度学习的计算机框架
9.8 认知计算
小结
参考文献
附录 KNIME及商业分析和数据科学工具前景展望