Clementine數(shù)據(jù)挖掘方法及應(yīng)用

出版時間:2010-9  出版社:電子工業(yè)  作者:薛薇//陳歡歌  頁數(shù):303  
Tag標簽:無  

前言

數(shù)據(jù)挖掘是當前數(shù)據(jù)分析領(lǐng)域中最活躍最前沿的地帶。任何事物都有定性和定量兩個方面,定量則產(chǎn)生數(shù)據(jù)。從數(shù)據(jù)分析入手是我們認識事物本質(zhì)的基本手段。任何事物都是互相關(guān)聯(lián)著的,從數(shù)據(jù)分析入手是我們把握事物之間聯(lián)系的基本方法。任何事物都在永恒地變化發(fā)展著,從數(shù)據(jù)分析入手是我們探索事物發(fā)展規(guī)律的基本思路。所以我們進行數(shù)據(jù)分析,既是一種世界觀,也是一種方法論。我們在研究著豐富多彩的客觀世界的同時,也體現(xiàn)著分析者主觀的智慧和自身的價值。隨著中國社會經(jīng)濟的蓬勃發(fā)展,在錯綜復(fù)雜的宏觀、中觀和微觀的共同作用下,戰(zhàn)略決策和戰(zhàn)術(shù)選擇都顯得敏感而關(guān)鍵,越來越多的人們加入到數(shù)據(jù)分析的行列中來。這是一個非常富有挑戰(zhàn)性的工作,不但有意思而且有意義。IBM公司于2009年1月公布了其“智慧地球”戰(zhàn)略。該戰(zhàn)略的主要思想是,將傳感設(shè)備或智能儀表嵌入到建筑、電力、交通、管道等各種物體中,進行數(shù)據(jù)自動采集,之后基于互聯(lián)網(wǎng)形成物物相聯(lián)的物聯(lián)網(wǎng),然后通過超級計算機和云計算將數(shù)據(jù)整合,進行智能化分析和建模,從而實現(xiàn)社會與物理世界的融合。這是一個未來理想化的信息世界圖景。在這個智慧系統(tǒng)中,其核心是數(shù)據(jù)處理。為此,IBM公司于2009年7月斥資12億美元收購了著名的SPSS統(tǒng)計分析軟件公司,將其應(yīng)用廣泛的SPSS統(tǒng)計分析軟件和Clementine數(shù)據(jù)挖掘軟件納入麾下。同時對軟件產(chǎn)品進行了整合,將Clementine更新命名為PASW(Predictive Analytics Software)Modeler,并快速推向市場。目前,SPSS Clementine軟件已經(jīng)連續(xù)若干年蟬聯(lián)數(shù)據(jù)挖掘應(yīng)用的王者,而業(yè)界對于PASW Modeler的認知則剛剛開始。所以本書繼續(xù)沿用為廣大讀者所熟悉的Clementine這個名字。Clementine軟件不但將計算機科學中許多機器學習的優(yōu)秀算法帶入到數(shù)據(jù)分析中來,同時也綜合了一些行之有效的數(shù)據(jù)挖掘方法,成為內(nèi)容最為全面、功能最為強大的數(shù)據(jù)挖掘產(chǎn)品。Clementine軟件充分利用計算機系統(tǒng)的運算處理能力和圖形展現(xiàn)能力,將方法、應(yīng)用與工具有機地融合為一體,是解決數(shù)據(jù)挖掘問題的最理想工具。Clementine軟件繼續(xù)保持了SPSS產(chǎn)品的一貫風格:界面友好且容易使用。復(fù)雜的數(shù)學算法和冗余的輸出結(jié)果被軟件隱藏在程序系統(tǒng)內(nèi)部。

內(nèi)容概要

數(shù)據(jù)挖掘是當前數(shù)據(jù)分析領(lǐng)域中最活躍最前沿的地帶。本書以數(shù)據(jù)挖掘的實踐過程為主線,通過生動的應(yīng)用案例,從數(shù)據(jù)挖掘?qū)嵤┙嵌?,系統(tǒng)介紹了經(jīng)典的數(shù)據(jù)挖掘方法和利用Clementine實現(xiàn)數(shù)據(jù)挖掘的全部過程,講解方法從易到難,說明問題從淺至深。本書力求以最通俗的方式闡述數(shù)據(jù)挖掘方法的核心思想與基本原理,同時配合Clementine軟件操作的說明,希望讀者能夠直觀了解方法本質(zhì),盡快掌握Clementine軟件使用,并應(yīng)用到數(shù)據(jù)挖掘?qū)嵺`中。為方便讀者學習,書中所有數(shù)據(jù)和案例與所附光盤內(nèi)容一致。    本書適合于從事數(shù)據(jù)分析各應(yīng)用領(lǐng)域的讀者,尤其適合于商業(yè)管理、財政經(jīng)濟、金融保險、社會研究、人文教育等行業(yè)的相關(guān)人員。同時,也能夠作為高等院校計算機類、財經(jīng)類、管理類專業(yè)本科生和研究生的數(shù)據(jù)挖掘教材。

書籍目錄

第1章  數(shù)據(jù)挖掘和Clementine概述  1.1  數(shù)據(jù)挖掘的產(chǎn)生背景    1.1.1  海量數(shù)據(jù)的分析需求催生數(shù)據(jù)挖掘    1.1.2  應(yīng)用對理論的挑戰(zhàn)催生數(shù)據(jù)挖掘  1.2  什么是數(shù)據(jù)挖掘    1.2.1  數(shù)據(jù)挖掘的概念    1.2.2  數(shù)據(jù)挖掘能做什么    1.2.3  數(shù)據(jù)挖掘得到的知識形式    1.2.4  數(shù)據(jù)挖掘的算法分類  1.3  Clementine軟件概述    1.3.1  Clementine的窗口    1.3.2  數(shù)據(jù)流的基本管理和執(zhí)行    1.3.3  數(shù)據(jù)流的其他管理    1.3.4  從一個示例看Clementine的使用第2章  Clementine數(shù)據(jù)的讀入  2.1  變量的類型    2.1.1  從數(shù)據(jù)挖掘角度看變量類型    2.1.2  從數(shù)據(jù)存儲角度看變量類型  2.2  讀入數(shù)據(jù)    2.2.1  讀自由格式的文本文件    2.2.2  讀Excel電子表格數(shù)據(jù)    2.2.3  讀SPSS格式文件    2.2.4  讀數(shù)據(jù)庫文件  2.3  生成實驗方案數(shù)據(jù)  2.4  合并數(shù)據(jù)    2.4.1  數(shù)據(jù)的縱向合并    2.4.2  數(shù)據(jù)的橫向合并第3章  Clementine變量的管理  3.1  變量說明    3.1.1  取值范圍和缺失值的說明    3.1.2  變量取值有效性檢查和修正    3.1.3  變量角色的說明  3.2  變量值的重新計算    3.2.1  CLEM表達式    3.2.2  變量值重新計算示例  3.3  變量類別值的調(diào)整  3.4  生成新變量  3.5  變量值的離散化處理    3.5.1  常用的分箱方法    3.5.2  變量值的離散化處理示例  3.6  生成樣本集分割變量    3.6.1  樣本集分割的意義和常見方法    3.6.2  生成樣本集分割變量的示例第4章  Clementine樣本的管理  4.1  樣本的排序  4.2  樣本的條件篩選  4.3  樣本的隨機抽樣  4.4  樣本的濃縮處理  4.5  樣本的分類匯總  4.6  樣本的平衡處理  4.7  樣本的其他管理    4.7.1  數(shù)據(jù)轉(zhuǎn)置    4.7.2  數(shù)據(jù)的重新組織第5章  Clementine數(shù)據(jù)的基本分析  5.1  數(shù)據(jù)質(zhì)量的探索    5.1.1  數(shù)據(jù)的基本描述與質(zhì)量探索    5.1.2  離群點和極端值的修正    5.1.3  缺失值的替補    5.1.4  數(shù)據(jù)質(zhì)量管理的其他功能  5.2  基本描述分析    5.2.1  計算基本描述統(tǒng)計量    5.2.2  繪制散點圖  5.3  變量分布的探索  5.4  兩分類變量相關(guān)性的研究    5.4.1  兩分類變量相關(guān)性的圖形分析    5.4.2  兩分類變量相關(guān)性的數(shù)值分析  5.5  兩總體的均值比較    5.5.1  兩總體均值比較的圖形分析    5.5.2  獨立樣本的均值檢驗    5.5.3  配對樣本的均值檢驗  5.6  變量重要性的分析    5.6.1  變量重要性分析的一般方法    5.6.2  變量重要性分析的應(yīng)用示例第6章  分類預(yù)測:Clementine的決策樹  6.1  決策樹算法概述    6.1.1  什么是決策樹    6.1.2  決策樹的幾何理解    6.1.3  決策樹的核心問題  6.2  Clementine的C5.0算法及應(yīng)用    6.2.1  信息熵和信息增益    6.2.2  C5.0的決策樹生長算法    6.2.3  C5.0的剪枝算法    6.2.4  C5.0的推理規(guī)則集    6.2.5  C5.0的基本應(yīng)用示例    6.2.6  C5.0的損失矩陣和Boosting技術(shù)    6.2.7  C5.0的模型評價    6.2.8  C5.0的其他話題:推理規(guī)則、交叉驗證和未剪枝的決策樹  6.3  Clementine的分類回歸樹及應(yīng)用    6.3.1  分類回歸樹的生長過程    6.3.2  分類回歸樹的剪枝過程    6.3.3  損失矩陣對分類樹的影響    6.3.4  分類回歸樹的基本應(yīng)用示例    6.3.5  分類回歸樹的交互建模    6.3.6  分類回歸樹的模型評價  6.4  Clementine的CHAID算法及應(yīng)用    6.4.1  CHAID分組變量的預(yù)處理和選擇策略    6.4.2  Exhaustive CHAID算法    6.4.3  CHAID的剪枝    6.4.4  CHAID的應(yīng)用示例  6.5  Clementine的QUEST算法及應(yīng)用    6.5.1  QUEST算法確定最佳分組變量和分割點的方法    6.5.2  QUEST算法的應(yīng)用示例  6.6  決策樹算法評估的圖形比較    6.6.1  不同模型的誤差對比    6.6.2  不同模型收益的對比第7章  分類預(yù)測:Clementine的人工神經(jīng)網(wǎng)絡(luò)  7.1  人工神經(jīng)網(wǎng)絡(luò)算法概述    7.1.1  人工神經(jīng)網(wǎng)絡(luò)的概念和種類    7.1.2  人工神經(jīng)網(wǎng)絡(luò)中的節(jié)點和意義    7.1.3  人工神經(jīng)網(wǎng)絡(luò)建立的一般步驟  7.2  Clementine的B-P反向傳播網(wǎng)絡(luò)    7.2.1  感知機模型    7.2.2  B-P反向傳播網(wǎng)絡(luò)的特點    7.2.3  B-P反向傳播算法    7.2.4  B-P反向傳播網(wǎng)絡(luò)的其他問題  7.3  Clementine的B-P反向傳播網(wǎng)絡(luò)的應(yīng)用    7.3.1  基本操作說明    7.3.2  計算結(jié)果說明    7.3.3  提高模型預(yù)測精度  7.4  Clementine的徑向基函數(shù)網(wǎng)絡(luò)及應(yīng)用    7.4.1  徑向基函數(shù)網(wǎng)絡(luò)中的隱節(jié)點和輸出節(jié)點    7.4.2  徑向基函數(shù)網(wǎng)絡(luò)的學習過程    7.4.3  徑向基函數(shù)網(wǎng)絡(luò)的應(yīng)用示例第8章  分類預(yù)測:Clementine的統(tǒng)計方法  8.1  Clementine的Logistic回歸分析及應(yīng)用    8.1.1  二項Logistic回歸方程    8.1.2  二項Logistic回歸方程系數(shù)的含義    8.1.3  二項Logistic回歸方程的檢驗    8.1.4  二項Logistic回歸分析的應(yīng)用示例    8.1.5  多項Logistic回歸分析的應(yīng)用示例  8.2  Clementine的判別分析及應(yīng)用    8.2.1  距離判別法    8.2.2   Fisher判別法    8.2.3  貝葉斯判別法    8.2.4  判別分析的應(yīng)用示例第9章  探索內(nèi)部結(jié)構(gòu):Clementine的關(guān)聯(lián)分析  9.1  簡單關(guān)聯(lián)規(guī)則及其有效性    9.1.1  簡單關(guān)聯(lián)規(guī)則的基本概念    9.1.2  簡單關(guān)聯(lián)規(guī)則的有效性和實用性  9.2  Clementine的Apriori算法及應(yīng)用    9.2.1  產(chǎn)生頻繁項集    9.2.2  依據(jù)頻繁項集產(chǎn)生簡單關(guān)聯(lián)規(guī)則    9.2.3  Apriori算法的應(yīng)用示例  9.3  Clementine的GRI算法及應(yīng)用    9.3.1  GRI算法基本思路    9.3.2  GRI算法的具體策略    9.3.3  GRI算法的應(yīng)用示例  9.4  Clementine的序列關(guān)聯(lián)及應(yīng)用    9.4.1  序列關(guān)聯(lián)中的基本概念    9.4.2  Sequence算法    9.4.3  序列關(guān)聯(lián)的時間約束    9.4.4  序列關(guān)聯(lián)分析的應(yīng)用示例第10章  探索內(nèi)部結(jié)構(gòu):Clementine的聚類分析  10.1  聚類分析的一般問題    10.1.1  聚類分析的提出    10.1.2  聚類分析的算法  10.2  Clementine的K-Means聚類及應(yīng)用    10.2.1  K-Means對“親疏程度”的測度    10.2.2  K-Means聚類過程    10.2.3  K-Means聚類的應(yīng)用示例  10.3  Clementine的兩步聚類及應(yīng)用    10.3.1  兩步聚類對“親疏程度”的測度    10.3.2  兩步聚類過程    10.3.3  聚類數(shù)目的確定    10.3.4  兩步聚類的應(yīng)用示例  10.4  Clementine的Kohonen網(wǎng)絡(luò)聚類及應(yīng)用    10.4.1  Kohonen網(wǎng)絡(luò)的聚類機理    10.4.2  Kohonen網(wǎng)絡(luò)的聚類過程    10.4.3  Kohonen網(wǎng)絡(luò)聚類的示例  10.5  基于聚類分析的離群點探索及應(yīng)用    10.5.1  多維空間基于聚類的診斷方法    10.5.2  多維空間基于聚類的診斷方法應(yīng)用示例參考文獻

章節(jié)摘錄

插圖:數(shù)據(jù)挖掘,作為20世紀90年代中后期興起的,具有鮮明跨學科色彩的應(yīng)用和研究領(lǐng)域,因其注重減少數(shù)據(jù)分析方法對數(shù)據(jù)的限制性和約束性,注重與計算機技術(shù)結(jié)合以實現(xiàn)數(shù)據(jù)的可管理性以及分析的易操作性,已成為數(shù)據(jù)分析應(yīng)用實踐的新生代。同時,隨著數(shù)據(jù)挖掘方法的不斷成熟及其應(yīng)用的日益普及化,數(shù)據(jù)挖掘軟件的研發(fā)也取得了令人可喜的成果。目前,以Clementine為代表的數(shù)據(jù)挖掘軟件,因其有效地將束之高閣的數(shù)據(jù)挖掘理論成果解放到數(shù)據(jù)分析實踐中,已普遍應(yīng)用于商業(yè)、社會、經(jīng)濟、教育、金融、醫(yī)學等領(lǐng)域,并成為數(shù)據(jù)分析的主流工具,得到數(shù)據(jù)分析相關(guān)領(lǐng)域的極大關(guān)注。1.1 數(shù)據(jù)挖掘的產(chǎn)生背景數(shù)據(jù)挖掘的產(chǎn)生和興起是在計算機數(shù)據(jù)庫技術(shù)蓬勃發(fā)展,人工智能技術(shù)應(yīng)用領(lǐng)域不斷拓展,統(tǒng)計分析方法不斷豐富過程中,為有效迎合數(shù)據(jù)分析的實際需求而逐步形成和發(fā)展起來的一門具有鮮明跨學科色彩的應(yīng)用研究領(lǐng)域。1.1.1 海量數(shù)據(jù)的分析需求催生數(shù)據(jù)挖掘20世紀80年代以來,隨著計算機數(shù)據(jù)庫技術(shù)和產(chǎn)品的日益成熟以及計算機應(yīng)用的普及深化,各行業(yè)部門的數(shù)據(jù)采集能力得到了前所未有的提高,組織通過各自內(nèi)部的業(yè)務(wù)處理系統(tǒng)、管理信息系統(tǒng)以及外部網(wǎng)絡(luò)系統(tǒng),獲得并積累了浩如煙海的數(shù)據(jù)。以商業(yè)領(lǐng)域為例,美國著名的連鎖超市Wal-Mart的數(shù)據(jù)庫中已積累了TB級以上的顧客購買行為數(shù)據(jù)和其他銷售數(shù)據(jù)。隨著互聯(lián)網(wǎng)和電子商務(wù)的普及,各類網(wǎng)上書店、網(wǎng)上銀行、網(wǎng)上營業(yè)廳和網(wǎng)上商城等積累的Web點擊流數(shù)據(jù),存儲容量也多高達GB級。另外,國家政府部門所積累的數(shù)據(jù)量也令人瞠目。例如,一次全國經(jīng)濟普查或人口普查所采集和處理數(shù)據(jù)量均在千萬級以上。同時,各經(jīng)濟行業(yè)的企業(yè)內(nèi)部也擁有大量的業(yè)務(wù)數(shù)據(jù)、財務(wù)數(shù)據(jù)和人事數(shù)據(jù)。在嚴酷的市場競爭壓力下,企業(yè)為更客觀地把握自身和市場狀況,提升內(nèi)部管理和決策水平,管理者們面對如此豐富的海量數(shù)據(jù),分析需求越來越強烈。

編輯推薦

《Clementine數(shù)據(jù)挖掘方法及應(yīng)用》由電子工業(yè)出版社出版。

圖書封面

圖書標簽Tags

評論、評分、閱讀與下載


    Clementine數(shù)據(jù)挖掘方法及應(yīng)用 PDF格式下載


用戶評論 (總計78條)

 
 

  •   本書最出彩的地方,并不是對clementine的操作介紹,而是在介紹的同時,用相對通俗(相對于數(shù)據(jù)挖掘理論書籍)的語言解釋了數(shù)據(jù)挖掘的算法和原理,結(jié)合例子,可以得到較為深刻的理解。數(shù)據(jù)挖掘入門人員必備枕邊書。
  •   不錯,買了很久才評論的,還可以 Clementine數(shù)據(jù)挖掘方法及應(yīng)用
  •   《 Clementine數(shù)據(jù)挖掘方法及應(yīng)用 》是數(shù)據(jù)庫的必讀書,正版,價格公道。送貨快!
  •   聽人大薛薇的課,加上她的書,相信自己一定會對數(shù)據(jù)挖掘技術(shù)有很好掌握的。。。
  •   作為spss的數(shù)據(jù)挖掘工具,這本書深入淺出,寫的很好,推薦大家購買!
  •   介紹了clementine的基本操作,對著書結(jié)合光盤把里面的步驟操作了一遍,感覺不錯,適合入門級別的人員。
  •   講到的部分寫的不錯,有實例,光盤里有數(shù)據(jù),比較適合初學者,上手較快。但是內(nèi)容少了點,有些clementine的模型提都沒提,不過在學了這本書后,看手冊就沒障礙了,還是比較推薦的。
  •   Modeler 的資料太少了,挖掘是門有前途的學科,努力。
    讀這書,也要一點基礎(chǔ)。
  •   這本書很好,本身書的質(zhì)量也不錯,但是光盤是壞的,希望能給解決下,要是能給發(fā)份到郵箱,那就太感謝了:chl456@126****
  •   內(nèi)容詳細易懂,很適合想了解這方面的人使用!
  •   內(nèi)容全面~適合深入學習使用~
  •   這本書講得操作性強,適合實操者使用
  •   學習軟件很實用。
  •   書很簡單,內(nèi)容不太多,比較適合初學者
  •   正在學習中,這個作者的書師兄有另一本,所以這次買了不一樣的
    兩本書側(cè)重點不同
  •   不錯的一本書,上手比較快,就是對模型結(jié)果的分析比較簡單了一些。
  •   很不錯的一本書,慢慢學習中~~~~~~
  •   寫的比較細。但是必須要有點基礎(chǔ),否則真是天書。
    另外書中版本為何不適用中文的呢?還需要鍛煉英語能力。
  •   里面的原理將的很好,推薦
  •   還不錯,教材內(nèi)容挺豐富實用的。
  •   雖然只看了個開頭,但講了理論之后,都會配相應(yīng)的實例,對于理論的理解和快速掌握該門技能還是很有幫助的
  •   專業(yè)需要,但也不是面面俱到,有很強的參考價值。
  •   書很好,老師推薦的,(*@ο@*) 實用~
  •   特意看了看才來評價,不錯的書!
  •   才收到,翻了翻,第一感覺不錯~~接下來靜下心來好好學習
  •   不錯,學習起來比較容易接受
  •   內(nèi)容不錯,值得推薦一下
  •   內(nèi)容很豐富,例子很好
  •   感覺還是很好的哈,內(nèi)容看起來比較充分。
  •   當時是為了寫論文才買的,不過也不錯,簡單易懂
  •   還行吧,說的過去
  •   我覺得還不錯,接著閱讀閱讀
  •   很好很好好很好很好好很好很好好
  •   不錯 彌補了spss上的諸多不足,但是依然沒有時間序列的東西
  •   看了之后有所啟發(fā),挺不錯。
  •   再詳細些就好了
  •   前一天下單,第二天下午到達自提點~~~
  •   不錯,一直沒空看
  •   學校選的,再加上老師推薦,還過得去吧
  •   薛薇老師的書比較經(jīng)典,對于數(shù)據(jù)挖掘?qū)W習者,作為入門教材很適合,一步步按教材所教進行操作,基本能上手,隨書還附贈光盤,很好!
  •   數(shù)據(jù)挖掘重點內(nèi)容都講到了,缺點就是實例比較少,光盤內(nèi)容比較少!
  •   主要對Clementine軟件進行運用,應(yīng)用各個算法
  •   找到的clementine的資料很少,軟件附帶的英文版說明書看起來有點吃力,買了一本來入門。
  •   國外的書在這些方面一直通俗易懂,操作性性強。結(jié)合數(shù)據(jù)操作,很容易學會!
  •   學習clementine很好的工具書
  •   好書,抓緊看完中……
  •   作者是很認真地在寫書
  •   送的還挺快的 ,就是來的時候袋子都有點破了
  •   還行吧,課本,中規(guī)中矩 快遞慢了點
  •   個人覺得太簡單 入門教材還行 基本就是軟件說明書
  •   我買了三本書附帶光盤的,但是其中一本沒光盤??!
  •   適合初學者,內(nèi)容淺顯
  •   喜歡里面有案例
  •   大略翻了一下,實踐性的內(nèi)容,可以作為教材的輔助讀物
  •   書太簡單了,還沒有說明書詳細~~
  •   不過沒用到,以后學吧
  •   該書具有一定的參考價值
  •   這本書中規(guī)中矩。適合從來沒有接觸過Clementine的人。
  •   這種書純粹是騙錢的,全部是抄的,里面全部是理論,它既不能作為教材,也沒有實際的案例。真是很譴責這種無良的作者,不知道她寫這種書干什么的?內(nèi)容也是亂七八糟的,估計是作者讓學生寫的吧,估計作者都沒有仔細看過。實在氣憤,這種書一定要罵。
  •   書籍紙張很好,不過還沒有仔細研讀,因為一同買了兩本,另外一本筆者本還要基礎(chǔ)一些,打算看完另外一本再來看這本。不過從我大概翻看一些來看,內(nèi)容比較全面,里面除了講解Clementine,還加入了很多數(shù)學公式。 對我來講,我比較喜歡中文界面的Clementine軟件,而這個是英文的哦!
  •   作為給學生上課的教材,不錯
  •   畢設(shè)需要,從頭學SPSS,跟著書一步步走,基本挖掘講的很清楚。
  •   數(shù)據(jù)挖掘類的書,操作很詳細
  •   正版圖書,很是實用。
  •   對于初學者來說挺不錯的,有較多軟件操作,但有些結(jié)果跟實操不同,無法解釋
  •   內(nèi)容充實,對Clementine入門者很有用。我已經(jīng)看了一半了,后面內(nèi)容更精彩。
  •   通俗易懂,還算不錯的
  •   挺好,學習spss必備書
  •   沒有她后來的那本好,少了一些內(nèi)容。
  •   紙有點黃,整體還是不錯的。
  •   這本書蠻好的,老師推薦的!
  •   關(guān)于Clementine入門的好書,極力推薦!
  •   個人認為比較通俗,適合入門級,特別是統(tǒng)計專業(yè)背景的更容易上手,一周內(nèi)就能看完。價格比較公道。
  •   不錯的一本書哈哈哈哈哈
  •   這本書不錯哦,幫朋友買的,評價不錯
  •   很好懂啊的啊
  •   書中不少內(nèi)容在網(wǎng)上沒找到
  •   幫同事買的,不錯推薦購買
 

250萬本中文圖書簡介、評論、評分,PDF格式免費下載。 第一圖書網(wǎng) 手機版

京ICP備13047387號-7