内容简介
大数据与商业智能是商学院融合大数据及人工智能技术、发展新商科培养模式的核心基础课程，旨在运用数据挖掘和机器学习方法从企业经营数据中挖掘所隐藏的信息与知识，帮助企业决策者更好地解决企业管理问题。本教材以数据挖掘各种经典算法的工作原理为主线，以RapidMiner软件为算法实践工具，系统讲授了数据挖掘和机器学习在解决商业智能决策问题中的应用。
全书共14章，从数据挖掘的基本知识讲起，全面探讨了数据统计与可视化、数据预处理、关联规则挖掘、回归分析、决策树、模型评估与集成学习、朴素贝叶斯、K近邻、支持向量机、神经网络、聚类分析、文本分析、RapidMiner高阶功能等内容。
本书由作者团队在多年教学基础之上，结合数据挖掘和人工智能领域的学科特点，充分考虑商学院学生的背景知识结构编写而成，零编程门槛，非常适合用作各大院校商学院和人文社科领域的本科生和研究生教材，也可供对数据挖掘和机器学习感兴趣的社会人士学习参考。

夏俐，中山大学管理学院教授、博士生导师。曾在IBM研究院、清华大学等机构工作或任教。长期从事随机动态决策系统的学习优化理论（尤其是马氏决策过程、强化学习、排队论、博弈论等）研究及其在能源、通信、金融、人工智能等领域的应用。主持国家自然科学基金项目五项（其中一项为重点专项项目）、国家重点研发计划子课题三项，以及华为、腾讯等企业委托研究项目多项。两次荣获教育部高等学校科学研究优秀成果奖（自然科学）二等奖。

第1章绪论
1.1数据挖掘的发展历程
1.2数据挖掘的特点介绍
1.3数据挖掘的流程步骤
1.4数据挖掘的典型任务
1.5数据挖掘的经典算法
1.6数据挖掘的案例介绍
1.7RapidMiner软件介绍

第2章数据统计与可视化
2.1数据统计与可视化概述
2.2数据统计与可视化技术
2.3实验案例与实验任务

第3章数据预处理
3.1数据预处理概述
3.2数据预处理算法原理
3.3实验案例与实验任务

第4章关联规则挖掘
4.1关联规则挖掘概述
4.2关联规则挖掘算法原理
4.3实验案例与实验任务

第5章回归分析
5.1回归分析概述
5.2线性回归
5.3正则化回归
5.4逻辑回归
5.5实验案例与实验任务

第6章决策树
6.1决策树概述
6.2决策树算法原理
6.3实验案例与实验任务

第7章模型评估与集成学习
7.1模型评估
7.2集成学习概述
7.3集成学习算法原理
7.4实验案例与实验任务

第8章朴素贝叶斯
8.1朴素贝叶斯概述
8.2朴素贝叶斯算法原理
8.3实验案例与实验任务

第9章K近邻
9.1K近邻概述
9.2K近邻算法原理
9.3实验案例与实验任务

第10章支持向量机
10.1支持向量机概述
10.2支持向量机算法原理
10.3实验案例与实验任务

第11章神经网络
11.1神经网络概述
11.2神经网络算法原理
11.3实验案例与实验任务

第12章聚类分析
12.1聚类分析概述
12.2聚类分析算法原理
12.3实验案例与实验任务

第13章文本分析
13.1文本分析概述
13.2实验案例与实验任务

第14章RapidMiner高阶功能
14.1自动建模
14.2生成式人工智能

附录数据挖掘任务实践与示例
A.1数据挖掘任务实践选题
A.2数据挖掘任务实践示例