大数据与机器学习：实践方法与行业案例

对大数据应用框架及对业务的支持做出很好的总结 在打造业务闭环的同时也要构建出完整的数据闭环 同时简单概述了主流的数据挖掘方法 要具体了解算法需借助其他材料 最后结合实际案例说明数据自助营销平台的建设方案及使用场景 对标签体系的前台应用提供了思路

几位老同事的佳作，多年的工作经验和学术研究的成果。

成书时间有点早，基本上用sql和sas做一些数据挖掘。sas不适合做很大数据量的挖掘。当前主流是用python＋sklearn＋tensor flow来做

（1）从数据、基础平台、分析方法、行业应用4个维度，义场景化方式讲解数据从获取、预处理、挖掘、建模、结论分析与展现到系统应用的流程，以及机器学习的重要技术 （2）三位金融领域的大数据专家近10年行业实战经验总结，包含大量行业解决方案和案例，并公开源代码 本书从企业实践出发，内容覆盖数据、平台、分析和应用等企业内数据流转的主要环节。布局上，按照数据与平台篇、分析篇和应用篇分别撰写。数据与平台篇（第1~3章），立足找到数据、整合数据、使用数据三个角度，介绍数据在企业内的分布和处理逻辑，以便快速为分析准备素材。分析篇（第4~11章），选取企业实际案例，介绍常用的数据挖掘与机器学习算法，以业务场景为导向展示数据分析过程和技巧。应用篇（第12~15章），选取当前主流的四个应用场景，介绍如何实现数据驱动，让数据“自动”流转于各个环节。

不错的一本书！ 一些关键技术、信息均有提及、评价，对有一定“编程技术”基础的读者来说是很好的一本书，够直接。 个人感觉本书不适合初学者，及非技术开发人士作为大数据入门资料。

走马观花，不求甚解，因为没能读懂代码，跳过了很多内容，但基本上有了一点大致的感觉，至少朦胧地知道所谓的大数据时代下，每个人留下的数据、信息究竟是在怎样的处理后以怎样的形式呈现在我们面前，从而引导和帮助着我们的行为

技术含量高，如果自己能够理解并且运用一定是很好的，我只是来了解这个工作大概内容，发现自己有很多很多的知识需要学习。

非常一般般的，还有错误，比如k均值聚类说成是有监督的。看到的唯一亮点是给出了ROC和lift曲线的decile画法，比其他书籍定义式的描述更实用。

依托金融行业案例分析，实践性比较强，可操作性较高~

覆盖面很全的一本书，对入门级读者还算友好～