[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+Power BI智能数据分析与可视化从入门到精通（2册）

作者
彭鸿涛 张宗耀 聂磊牟恩静 李杰臣
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。 ---------------------------Power BI智能数据分析与可视化从入门到精通--------------------------- 随着大数据时代的来临，各种数据分析和可视化软件层出不穷，如何处理并直观展示大数据，成为了很多人都关心的一个话题。虽然应运而生了多个数据可视化工具，但随着微软Power BI软件的推出，并在行业的占有率越来越高，Power BI成为了众多大型企业青睐的数据分析对象。 本书是基于Powe BI软件编写的书籍，由浅入深地讲解了Power BI的基础技术知识，就算是零基础的读者也能够快速上手操作。本书还对快速实现数据的智能分析与可视化进行了详细的介绍，并利用多个案例让读者融会贯通。通过本书的学习，您将从过去繁琐的数据处理、报表编制中解脱出来，瞬间做出美观、动态的交互式商业报告，实现公司企业内部数据可视化分析与分享，从而洞察数据的意义，实现管理的价值，大幅提升管理能力、管理水平。
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



---------------------------Power BI智能数据分析与可视化从入门到精通---------------------------


前言
如何获取云空间资料
第1章 Power BI概论
1.1什么是Power BI 12
1.2从Excel升级到Power BI的理由 13
1.3Power BI的组成部分 18
1.4Power BI的构建基块 19
1.4.1视觉对象（可视化效果） 19
1.4.2数据集 20
1.4.3报表 21
1.4.4仪表板 22
1.4.5磁贴 23
第2章 Power BI入门前的准备工作
2.1Power BI Desktop的下载与安装 26
2.2Power BI Desktop账户注册 30
2.3Power BI Desktop的界面介绍 32
2.3.1启动Power BI Desktop并登录账户 32
2.3.2Power BI Desktop的欢迎界面 33
2.3.3Power BI Desktop的操作主界面 34
2.4Power BI Desktop的帮助功能 36
第3章 Power BI Desktop基本操作
3.1保存和关闭报表 39
3.2自定义快速访问工具栏 40
3.3更改报表主题颜色 41
3.4报表页的设置 42
3.4.1插入、删除报表页 42
3.4.2隐藏、显示报表页 43
3.4.3重命名报表页 44
3.4.4复制报表页 45
3.4.5移动报表页 45
3.5创建针对手机应用的报表 46
3.6在报表中对齐视觉对象 48
3.7锁定报表中的视觉对象 49
第4章 输入和连接数据
4.1在Power BI Desktop中输入数据 51
4.2将Excel工作簿导入Power BI Desktop 53
4.3连接其他类型的文件数据 58
4.4导入网页数据 60
4.5通过提供示例从网页采集数据 62
第5章 数据的编辑和整理
5.1了解Power Query编辑器 69
5.2在编辑器中整理查询表 70
5.2.1重命名表 70
5.2.2复制表 72
5.2.3插入、删除表 73
5.2.4移动表位置 75
5.2.5新建、删除组 76
5.3清理格式不规则的数据 78
5.3.1更改数据类型 78
5.3.2删除重复项和错误值 80
5.3.3替换数据值和错误值 80
5.3.4将第一行用作标题 82
5.3.5为相邻单元格填充数据值 84
5.3.6转置行列数据 86
第6章 管理行列数据
6.1行数据的基本操作 89
6.1.1查看整行的数据信息 89
6.1.2保留行数据 90
6.1.3删除行数据 94
6.1.4排序和筛选行数据 96
6.2列数据的基本操作 97
6.2.1调整列宽和重命名列标题 97
6.2.2移动列位置 99
6.2.3选择和删除列 100
6.2.4合并和拆分列 101
6.2.5从列中提取文本数据 104
6.2.6提取日期数据 106
6.3添加列数据 108
6.3.1添加重复列 108
6.3.2添加条件列 109
6.3.3添加自定义列 111
6.4行列数据的高级应用 113
6.4.1分类汇总行列数据 114
6.4.2合并查询表数据 115
6.4.3追加查询表数据 117
6.4.4一维表和二维表的相互转换 119
第7章 建立数据分析模型
7.1了解与数据建模有关的视图 122
7.1.1数据视图界面介绍 122
7.1.2关系视图界面介绍 123
7.2创建和管理数据关系 124
7.2.1了解关系 124
7.2.2自动检测创建关系 126
7.2.3手动创建关系 128
7.2.4编辑和删除关系 131
7.3DAX的基础知识 134
7.3.1DAX的概念 134
7.3.2DAX的语法 135
7.3.3DAX的函数 136
7.4DAX应用举例 138
7.4.1创建度量值 138
7.4.2创建计算列 141
7.4.3创建新表 143
第8章 数据可视化
8.1创建Power BI报表 151
8.1.1经典视觉对象的制作 151
8.1.2添加自定义视觉对象 154
8.2Power BI报表的基本操作 160
8.2.1在报表中使用筛选器筛选数据 160
8.2.2在报表中插入文本框并添加链接 164
8.2.3在报表中添加形状 168
8.2.4巧用书签制作导航栏 170
8.2.5更改视觉对象在报表中的交互方式 175
8.2.6深化查看视觉对象 177
8.2.7导出用于创建视觉对象的数据 181
8.3美化Power BI报表 183
8.3.1更改报表画布的页面大小 184
8.3.2设置报表画布的页面背景 186
8.3.3自定义视觉对象标题 188
8.3.4更改视觉对象背景 191
8.3.5为视觉对象添加边框 192
8.3.6设置视觉对象数据标签 192
第9章 视觉对象的制作与分析
9.1常用视觉对象的制作 197
9.1.1柱形图和条形图 197
9.1.2折线图和分区图 201
9.1.3瀑布图 204
9.1.4散点图和气泡图 206
9.1.5饼图和环形图 209
9.1.6树状图 212
9.1.7漏斗图 214
9.1.8仪表 217
9.1.9卡片图和多行卡 218
9.1.10切片器 220
9.1.11KPI 224
9.1.12表 227
9.1.13矩阵 230
9.1.14组合图 233
9.1.15功能区图表 234
9.2使用组功能归类数据 236
9.3使用预测功能预测未来区间 239
9.4使用工具提示制作悬浮图表 241
第10章 Power BI服务
10.1将报表发布到Power BI服务 247
10.2Power BI服务界面介绍 249
10.3在Power BI服务中制作和编辑仪表板 250
10.3.1获取数据 250
10.3.2制作仪表板 253
10.3.3使用问答功能探索更多信息 256
10.3.4编辑仪表板中的磁贴 258
10.3.5向仪表板添加文本框 261
10.3.6在仪表板中添加数据警报 263
10.3.7为仪表板应用主题 264
10.3.8删除仪表板 266
10.4使用Power BI服务中的报表创建仪表板 267
10.4.1将报表中的单个视觉对象固定到仪表板 267
10.4.2将整个报表页固定到仪表板 269
10.5Power BI中的协作与共享 270
10.5.1创建应用工作区与同事进行协作 270
10.5.2共享仪表板 273
10.5.3将报表从Power BI发布到Web 275
第11章 Power BI实战演练
11.1实例背景 279
11.2导入数据 279
11.3建立数据关系 282
11.4制作导航按钮 284
11.5新建表和度量值 289
11.6整理数据表 291
11.7可视化效果的呈现和分析 294
11.8分享报表 299




有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4