[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+Python3智能数据分析快速入门（2册）

作者
彭鸿涛 张宗耀 聂磊李明江 张良均 周东平 张尚佳
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。 ---------------------------Python3智能数据分析快速入门--------------------------- 内容简介 本书以Python相关技术为工具，讲解了如何基于机器学习等AI技术进行智能数据分析。 作者在Python数据挖掘与分析领域有10余年的工作经验，对AI技术驱动的智能数据分析有非常深入的研究。本书面向没有Python编程基础和AI技术基础的读者，由浅入深地提供了系统的Python智能数据分析的技术和方法。 全书共9章，从逻辑上可分为两个部分： 第一部分：Python编程基础（1~4章） 这部分详细介绍了从事Python编程需要掌握的各种基础知识，包括开发环境的搭建与配置，以及各种语法和常见Python库的原理和使用方法。 第二部分：智能数据分析（第5~9章） 这部分对Python的数值分析库NumPy、数据处理库pandas、绘图库Matplotlib/Seaborn/Bokeh、机器学习与数据分析建模库scikit-lear等进行了详细地讲解，包含数据读取、数据预处理、模型构建、模型评价、结果可视化等整个数据分析的过程，能指导读者快速入门Python智能数据分析。
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



---------------------------Python3智能数据分析快速入门---------------------------


前言
第1章　Python概述 1
1.1　Python语言介绍 1
1.1.1　Python的发展史 1
1.1.2　Python特性 2
1.1.3　Python应用领域 3
1.1.4　Python机器学习优势 6
1.2　Python环境配置 8
1.2.1　Python 2还是Python 3 8
1.2.2　Anaconda简介 8
1.2.3　安装Anaconda 3 9
1.3　Python的解释器与IDE 12
1.3.1　Python的解释器 13
1.3.2　Python各IDE比较 13
1.3.3　PyCharm的安装与使用 16
1.3.4　Jupyter Notebook的使用 26
小结 32
课后习题 33
第2章　Python基础知识 34
2.1　固定语法 34
2.1.1　声明与注释 34
2.1.2　缩进与多行语句 36
2.1.3　保留字符与赋值 38
2.2　运算符 40
2.2.1　算术运算符 40
2.2.2　赋值运算符 41
2.2.3　比较运算符 43
2.2.4　逻辑运算符 44
2.2.5　按位运算符 44
2.2.6　身份运算符 45
2.2.7　成员运算符 46
2.2.8　运算符优先级 47
2.3　数据类型 48
2.3.1　基础数据类型 48
2.3.2　复合数据类型 55
2.4　Python I/O 63
2.4.1　input与print 64
2.4.2　文件I/O 67
小结 70
课后习题 70
第3章　控制语句 72
3.1　条件语句 72
3.1.1　if、elif与else 73
3.1.2　try、except与else 76
3.2　循环语句 80
3.2.1　for 81
3.2.2　while 83
3.2.3　break、continue与pass 85
3.2.4　列表推导式 89
小结 91
课后习题 91
第4章　函数与对象 94
4.1　函数 94
4.1.1　内置函数 94
4.1.2　自定义函数 101
4.1.3　匿名函数 107
4.2　对象 109
4.2.1　面向对象简介 109
4.2.2　属性与方法 110
4.2.3　装饰器 116
4.2.4　继承和多态 119
4.3　Python常用库安装 126
4.3.1　第三方库安装 126
4.3.2　第三方库导入 130
4.3.3　第三方库创建 131
小结 132
课后习题 133
第5章　NumPy数值计算 135
5.1　ndarray创建与索引 135
5.1.1　创建ndarray对象 135
5.1.2　ndarray的索引与切片 142
5.2　ndarray的基础操作 145
5.2.1　变换ndarray的形态 145
5.2.2　排序与搜索 151
5.2.3　字符串操作 156
5.3　ufunc 159
5.3.1　ufunc的广播机制 159
5.3.2　常用ufunc 160
5.4　matrix与线性代数 169
5.4.1　创建NumPy矩阵 169
5.4.2　矩阵的属性和基本运算 170
5.4.3　线性代数运算 172
5.5　NumPy文件读写 175
5.5.1　二进制文件读写 175
5.5.2　文件列表形式数据读写 178
小结 180
课后习题 180
第6章　pandas基础 182
6.1　pandas常用类 182
6.1.1　Series 182
6.1.2　DataFrame 187
6.1.3　Index 191
6.2　DataFrame基础操作 193
6.2.1　索引 193
6.2.2　排序 201
6.2.3　合并 204
6.3　其他数据类型操作 210
6.3.1　时间操作 210
6.3.2　文本操作 220
6.3.3　category操作 223
小结 227
课后习题 227
第7章　pandas进阶 229
7.1　数据读取与写入 229
7.1.1　CSV 229
7.1.2　Excel 231
7.1.3　数据库 233
7.2　DataFrame进阶 235
7.2.1　统计分析 235
7.2.2　分组运算 242
7.2.3　透视表和交叉表 248
7.3　数据准备 250
7.3.1　缺失值处理 251
7.3.2　重复数据处理 255
7.3.3　连续特征离散化处理 256
7.3.4　哑变量处理 259
小结 260
课后习题 260
第8章　绘图 263
8.1　Matplotlib绘图基础 263
8.1.1　编码风格 263
8.1.2　动态rc参数 267
8.1.3　散点图 273
8.1.4　折线图 276
8.1.5　饼图 278
8.1.6　直方图与条形图 280
8.1.7　箱线图 282
8.2　Seaborn进阶绘图 285
8.2.1　Seaborn基础 285
8.2.2　关系图 301
8.2.3　分类图 311
8.2.4　分布图 329
8.2.5　回归图 334
8.2.6　矩阵图 341
8.2.7　网格图 345
8.3　Bokeh交互式绘图 356
8.3.1　基本构成与语法 356
8.3.2　常见图形绘制 370
8.3.3　导出与嵌入 375
8.3.4　运行Bokeh应用程序 379
小结 381
习题 381
第9章　scikit-learn 383
9.1　数据准备 383
9.1.1　标准化 383
9.1.2　归一化 387
9.1.3　二值化 388
9.1.4　独热编码 389
9.2　降维 391
9.2.1　PCA 392
9.2.2　随机投影 396
9.2.3　字典学习 402
9.2.4　独立成分分析 408
9.2.5　非负矩阵分解 412
9.2.6　线性判别分析 416
9.3　聚类 420
9.3.1　K-Means 421
9.3.2　层次聚类 424
9.3.3　DBSCAN 427
9.3.4　高斯混合模型 430
9.4　分类 434
9.4.1　Logistic回归 435
9.4.2　支持向量机 439
9.4.3　决策树 443
9.4.4　最近邻 447
9.4.5　朴素贝叶斯 450
9.4.6　随机森林 452
9.4.7　多层感知机 456
9.5　回归 460
9.5.1　最小二乘回归 461
9.5.2　岭回归 464
9.5.3　Lasso回归 466
9.5.4　决策树回归 468
9.5.5　随机森林回归 471
9.5.6　多层感知机回归 473
9.6　模型选择 476
9.6.1　数据集划分 476
9.6.2　交叉验证 478
9.6.3　自动调参 479
9.6.4　模型评估 481
小结 486
课后习题 487




有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4