[套装书]增强型分析：AI驱动的数据分析、业务决策与案例实践+预测分析：Python语言实现（2册）

作者
彭鸿涛 张宗耀 聂磊（美）约瑟夫·巴布科克（Joseph Babcock）
丛书名
数据分析与决策技术丛书
出版社
机械工业出版社
ISBN
9787190830171
简要
简介
内容简介书籍计算机书籍 ---------------------------增强型分析：AI驱动的数据分析、业务决策与案例实践--------------------------- 内容简介 增强型分析是数据科学的未来，本书讲解了如何通过前沿的大数据技术和AI技术实现智能的数据分析和业务决策，即增强型分析。 本书的三位作者是来自德勤、前华为和前IBM的资深数据科学家，在大数据和AI领域至少都有10年以上的工作经验，他们将各自多年来在“构建数据挖掘模型，解决实际业务问题”方面积累的经验全部总结在了这本书中。 全书的内容由两条主线贯穿： 技术主线：一方面讲解了预测模型、序列分析、预测分析、Prescriptive分析等前沿数据处理技术，一方面讲解了CNN、RNN和GNN等前沿的AI技术如何为数据分析赋能。 业务主线：在数字化转型的大时代背景下，如何通过数据分析实现智慧营销、智慧风险管控，实现由初级的“主动营销”到“被动营销”，再到“全渠道协同营销”等营销手段的升级应用。 本书的重点聚焦在本质内容上，即数据处理、算法及模型、“模型洞见到业务决策”的分析等。 全书共8章： 第1章：作者结合自己的从业经验介绍了数据科学家的职业生涯发展、工作模式和工作方法要点等内容，为有志成为数据科学家的读者指明了道路和方向； 第2章：从描述性分析的角度讲解了数据探索、数据预处理衍生指标加工方面的技巧； 第3章：介绍了预测类模型构建时的新方法、新思路、新工具； 第4章：讲解了序列分析的相关内容，包括序列模式、序列规则、序列预测等的挖掘与应用，用实例的方式说明了算法的原理、特点和使用技巧； 第5章：介绍了人工智能下一个阶段的重点领域，即如何应用数据分析做出最优决策； . 第6~8章：通过与传统模型的对比，介绍了CNN、RNN、GNN等算法的原理，通过大量的实例说明了这些AI技术在数据分析与决策领域的用法和实际效果。 ---------------------------预测分析：Python语言实现--------------------------- 本书着重介绍预测性分析技术，先概述了数据分析系统的基本架构和主要处理流程，然后从分类和无监督学习开始，逐一讲解每种机器学习算法的工作原理，并在每章的最后给出了详细的案例讨论。高质量的数据是能够进行正确分析的前提，为了便于后期分析模型的构建，本书还会介绍对于不同类型数据的清洗和过滤等内容。通过学习本书的内容，读者将了解将原始数据转化为重要结论的过程，并掌握快速将其中涉及的模型应用到自有数据中的方法。
目录



---------------------------增强型分析：AI驱动的数据分析、业务决策与案例实践---------------------------


推荐序一
推荐序二
前言
第1章　数据科学家的成长之路 1
1.1 算法与数据科学家 1
1.1.1 数据科学、人工智能、机器学习等 2
1.1.2 室内活动还是室外活动 3
1.2 数据科学家不断成长的几个阶段 3
1.2.1 算法——如何构建数据分析模型 5
1.2.2 用法——如何回头看模型 6
1.2.3 业务——如何产生更大价值 7
1.2.4 战略——如何更广 8
1.3 数据科学家的工作模式与组织结构 9
1.3.1 数据驱动还是业务驱动 9
1.3.2 数据科学家团队的组织结构 9
1.4 数据科学家的工作方法要点 10
第2章　大数据探索及预处理 13
2.1 大数据探索 13
2.1.1 数值类型 13
2.1.2 连续型数据的探索 14
2.1.3 分类型数据的探索 19
2.1.4 示例：数据探索 20
2.2 数据预处理 26
2.2.1 数据清洗 26
2.2.2 数据变换 29
2.2.3 数据归约 41
2.3 衍生指标的加工 44
2.3.1 衍生指标概述 45
2.3.2 将数值转化为百分位数 45
2.3.3 把类别变量替换为数值 46
2.3.4 多变量组合 47
2.3.5 从时间序列中提取特征 47
第3章　预测模型的新技术 49
3.1 集成学习 49
3.1.1 Averaging方法 49
3.1.2 Boosting方法 51
3.2 Gradient Tree Boosting介绍 53
3.2.1 梯度与梯度下降 53
3.2.2 Gradient Tree Boosting算法的原理 55
3.3 Gradient Tree Boosting的改进方向 57
3.3.1 Gradient Tree Boosting的使用要点 57
3.3.2 Regularization 59
3.3.3 XGBoost介绍 60
3.4 模型的最佳参数设置 60
3.5 投票决定最终预测结果 65
3.6 让模型在训练结束后还能被更新 66
3.6.1 热启动 67
3.6.2 增量学习 67
3.7 多输出预测 68
3.7.1 Binary Relevance 69
3.7.2 Classifier Chain 70
3.7.3 Ensemble Classifier Chain 70
3.8 案例：如何给客户从数百个产品中寻找合适的产品 71
3.8.1 问题提出 72
3.8.2 建模思路 72
3.8.3 模型训练及应用 73
第4章　序列分析 76
4.1 通过客户行为研究做出服务策略 76
4.2 频繁项集、关联规则的挖掘 77
4.2.1 基本概念 77
4.2.2 频繁或稀疏项集的挖掘 78
4.2.3 关联规则的挖掘 86
4.3 序列模式的挖掘以及应用 88
4.3.1 换种视角观察项间的顺序 88
4.3.2 “事无巨细”还是“事有巨细” 89
4.3.3 序列挖掘的相关算法介绍 92
4.3.4 示例：挖掘购买物品的序列模式 96
4.4 序列规则的挖掘以及应用 101
4.4.1 将频繁序列通过业务解读转换为行动指南 101
4.4.2 序列规则的挖掘实现行动指南 102
4.4.3 序列规则的挖掘算法 102
4.4.4 示例：通过客户购买产品的序列推荐合适的产品 104
4.5 序列预测的挖掘以及应用 107
4.5.1 序列规则与序列预测的关系 107
4.5.2 序列预测算法的介绍 108
4.5.3 示例：客户下一步会做什么 110
第5章　应用数据分析做出最优决策 114
5.1 Prescriptive分析概述 114
5.1.1 业务分析的3个层次 115
5.1.2 为什么需要Prescriptive分析 116
5.1.3 什么时候需要Prescriptive分析 117
5.2 确定因素和非确定因素下的决策分析 118
5.3 What-If分析和Goal Seeking分析 121
5.4 优化技术介绍 122
5.4.1 数据挖掘算法中常用的优化技术 122
5.4.2 优化问题求解工具介绍 127
5.4.3 CVXPY优化工具在机器学习算法中的应用 130
5.4.4 应用优化技术寻找最优产品推荐 134
5.5 仿真分析 135
5.5.1 蒙特卡洛的介绍 135
5.5.2 采用蒙特卡洛方法进行重采样 137
5.6 马尔可夫链及马尔可夫决策过程 143
5.6.1 马尔可夫过程及马尔可夫链 145
5.6.2 马尔可夫决策过程及应用工具 148
5.6.3 应用马尔可夫决策过程研究营销策略及客户生命周期价值 151
第6章　深入探讨CNN 155
6.1 换个角度讨论CNN 155
6.1.1 卷积是在做什么 156
6.1.2 人脸检测与人脸识别 159
6.1.3 深度学习意味着什么 165
6.1.4 CNN的结构 168
6.1.5 CNN的训练及结果 172
6.2 用CNN做人脸识别 174
6.2.1 数据加载 175
6.2.2 使用ImageDataGenerator 175
6.2.3 定义模型和训练模型 176
6.2.4 详细探究卷积最终的效果 178
6.3 Embedding 181
6.3.1 文本向量化的一般方法 181
6.3.2 Word Embedding的原理及实现 186
6.3.3 利用Word Embedding实现翻译 190
6.3.4 Embedding的用途不止于Word Embedding 192
6.4 一个例子：文本分类 193
6.4.1 采用传统分类模型实现文本分类 193
6.4.2 采用CNN进行文本分类 196
6.4.3 采用FastText进行文本分类 200
第7章　深入探讨RNN 201
7.1 两种建模方法：Prediction 和 Sequence Labeling 201
7.1.1 Prediction的特点 201
7.1.2 Sequence Labeling的特点 202
7.2 RNN及其变种的详细原理 203
7.2.1 RNN的Activation 函数 204
7.2.2 RNN 的初级神经元及计算逻辑 205
7.2.3 LSTM的神经元及计算逻辑 205
7.2.4 GRU的神经元与计算逻辑 206
7.2.5 深度RNN的原理 207
7.2.6 RNN算法的输入输出形式 208
7.3 利用LSTM预测股票价格 209
7.3.1 模型构建及验证 209
7.3.2 模型应用的探讨 216
7.4 让计算机学会写唐诗 216
7.4.1 构想：如何让计算机能够写出唐诗 216
7.4.2 构建：模型实现的过程 218
7.5 预测客户的下一个行为 221
7.5.1 构想：如何利用LSTM实现客户行为的预测 221
7.5.2 构建：模型实现过程 222
7.6 计算机，请告诉我你看到了什么 226
7.6.1 构想：如何让计算机生成图片描述 226
7.6.2 实现：逐步构建图片描述生成模型 227
7.6.3 VQA 232
第8章　深入探讨GAN 235
8.1 基本原理 235
8.1.1 构想 235
8.1.2 GAN的基本结构 237
8.1.3 GAN模型训练及应用过程 240
8.1.4 GAN原理的再探索 241
8.2 让计算机书写数字 243
8.2.1 建模思路 243
8.2.2 基本实现过程 244
8.2.3 采用DCGAN来实现 248
8.3 让计算机画一张人脸 251
8.3.1 如何让计算机理解我们的要求 252
8.3.2 基本实现过程 253



---------------------------预测分析：Python语言实现---------------------------


译者序
关于审稿人
前言
第1章数据转换成决策——从分析应用着手
1.1设计高级分析方案
1.1.1数据层：数据仓库、数据湖和数据流
1.1.2模型层
1.1.3部署层
1.1.4报告层
1.2案例学习：社交媒体数据的情感分析
1.2.1数据输入和转换
1.2.2合理性检查
1.2.3模型开发
1.2.4评分
1.2.5可视化和报告
1.3案例学习：针对性电子邮件活动
1.3.1数据输入和转换
1.3.2合理性检查
1.3.3模型开发
1.3.4评分
1.3.5可视化和报告
1.4总结
第2章Python数据分析和可视化初探
2.1在IPython中探索分类和数值型数据
2.1.1安装IPython notebook
2.1.2notebook的界面
2.1.3加载和检视数据
2.1.4基本操作——分组、过滤、映射以及透视
2.1.5用Matplotlib绘制图表
2.2时间序列分析
2.2.1清洗和转换
2.2.2时间序列诊断
2.2.3连接信号和相关性
2.3操作地理数据
2.3.1加载地理数据
2.3.2工作在云上
2.4PySpark简介
2.4.1创建SparkContext
2.4.2创建RDD
2.4.3创建Spark DataFrame
2.4总结
第3章在噪声中探求模式——聚类和无监督学习
3.1相似性和距离度量
3.1.1数值距离度量
3.1.2相关相似性度量和时间序列
3.1.3分类数据的相似性度量
3.1.4k均值聚类
3.2近邻传播算法——自动选择聚类数量
3.3k中心点算法
3.4凝聚聚类算法
3.5Spark中的数据流聚类
3.6总结
第4章从点到模型——回归方法
4.1线性回归
4.1.1数据准备
4.1.2模型拟合和评价
4.1.3回归输出的显著性差异
4.1.4广义估计方程
4.1.5混合效应模型
4.1.6时间序列数据
4.1.7广义线性模型
4.1.8线性模型的正则化
4.2树方法
4.2.1决策树
4.2.2随机森林
4.3利用PySpark进一步扩展——预测歌曲的发行年份
4.4总结
第5章数据分类——分类方法和分析
5.1逻辑回归
5.1.1多分类逻辑分类器：多元回归
5.1.2分类问题中的数据格式化
5.1.3基于随机梯度下降法的学习逐点更新
5.1.4使用二阶方法联合优化所有参数
5.2拟合模型
5.3评估分类模型
5.4通过支持向量机分离非线性边界
5.4.1人口普查数据的拟合和SVM
5.4.2Boosting:组合小模型以改善准确度
5.4.3梯度提升决策树
5.5分类方法比较
5.6案例学习：在PySpark中拟合分类器模型
5.7总结
第6章词语和像素——非结构化数据分析
6.1文本数据分析
6.1.1文本数据清洗
6.1.2从文本数据中提取特征
6.1.3利用降维来简化数据集
6.2主分量分析
6.2.1隐含狄利克雷分布
6.2.2在预测模型中使用降维
6.3图像
6.3.1图像数据清洗
6.3.2利用图像阈值来突出显示对象
6.3.3图像分析中的降维
6.4案例学习：在PySpark中训练一个推荐系统
6.5总结
第7章自底向上学习——深度网络和无监督特征
7.1使用神经网络学习模式
7.1.1单一感知器构成的网络
7.1.2感知器组合——一个单层神经网络
7.1.3反向传播的参数拟合
7.1.4判别式模型与生成式模型
7.1.5梯度消失及“解去”
7.1.6预训练信念网络（贝叶斯网络）
7.1.7使用dropout来正则化网络
7.1.8卷积网络和纠正单元
7.1.9利用自编码网络压缩数据
7.1.10优化学习速率
7.2TensorFlow库与数字识别
7.2.1MNIST数据
7.2.2构建网络
7.3总结
第8章利用预测服务共享模型
8.1预测服务的架构
8.2客户端和发出请求
8.2.1GET请求
8.2.2POST请求
8.2.3HEAD请求
8.2.4PUT请求
8.2.5DELETE请求
8.3服务器——Web流量控制器
8.4利用数据库系统持久化存储信息
8.5案例学习——逻辑回归服务
8.5.1建立数据库
8.5.2Web服务器
8.5.3Web应用
8.6总结
第9章报告和测试——分析型系统迭代
9.1利用诊断检查模型的健康度
9.1.1评估模型性能的变化
9.1.2特征重要性的变化
9.1.3无监督模型性能的变化
9.2通过A/B测试对模型进行迭代
9.2.1实验分配——将客户分配给实验
9.2.2决定样本大小
9.2.3多重假设检验
9.3沟通指南
9.3.1将术语转换为业务价值
9.3.2可视化结果
9.3.3报告服务器
9.3.4报告应用
9.3.5可视化层
9.4总结



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4