[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+卷积神经网络与计算机视觉（2册）

作者

彭鸿涛 张宗耀 聂磊[澳] 萨尔曼·汗（Salman Khan） 侯赛因·拉哈马尼（Hossein Rahmani） 赛义德·阿法克·阿里·沙（Syed Afaq Ali Shah） 穆罕默德·本纳努恩（Mohammed Bennamoun）

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

9787190830179

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。 ---------------------------卷积神经网络与计算机视觉--------------------------- 本书自成一体，如果你既想了解CNN的原理，又想获得将CNN应用于计算机视觉的一手经验，那么本书将非常适合阅读。书中对CNN进行了全面介绍，首先是神经网络的基本概念：训练、正则化和优化。然后讨论了各种各样的损失函数、网络层和流行的CNN架构，回顾了评价CNN的不同技术，并介绍了一些常用的CNN工具和库。此外，本书还分析了CNN在计算机视觉中的应用案例，包括图像分类、对象检测、语义分割、场景理解和图像生成。

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 ---------------------------卷积神经网络与计算机视觉--------------------------- 译者序 前言 致谢 作者简介 第1章简介 11什么是计算机视觉 111应用案例 112图像处理与计算机视觉 12什么是机器学习 121为什么需要深度学习 13本书概览 第2章特征和分类器 21特征和分类器的重要性 211特征 212分类器 22传统特征描述符 221方向梯度直方图 222尺度不变特征变换 223加速健壮特征 224传统的手工工程特征的局限性 23机器学习分类器 231支持向量机 232随机决策森林 24总结 第3章神经网络基础 31引言 32多层感知机 321基础架构 322参数学习 33循环神经网络 331基础架构 332参数学习 34与生物视觉的关联 341生物神经元模型 342神经元的计算模型 343人工神经元与生物神经元 第4章卷积神经网络 41引言 42神经网络层 421预处理 422卷积层 423池化层 424非线性 425全连接层 426转置卷积层 427感兴趣区域的池化层 428空间金字塔池化层 429局部特征聚合描述符层 4210空间变换层 43CNN损失函数 431交叉熵损失函数 432SVM铰链损失函数 433平方铰链损失函数 434欧几里得损失函数 4351误差 436对比损失函数 437期望损失函数 438结构相似性度量 第5章CNN学习 51权重初始化 511高斯随机初始化 512均匀随机初始化 513正交随机初始化 514无监督的预训练 515泽维尔(Xavier)初始化 516ReLU敏感的缩放初始化 517层序单位方差 518有监督的预训练 52CNN的正则化 521数据增强 522随机失活 523随机失连 524批量归一化 525集成模型平均 5262正则化 5271正则化 528弹性网正则化 529最大范数约束 5210早停 53基于梯度的CNN学习 531批量梯度下降 532随机梯度下降 533小批量梯度下降 54神经网络优化器 541动量 542涅斯捷罗夫动量 543自适应梯度 544自适应增量 545RMSprop 546自适应矩估计 55CNN中的梯度计算 551分析微分法 552数值微分法 553符号微分法 554自动微分法 56通过可视化理解CNN 561可视化学习的权重 562可视化激活 563基于梯度的可视化 第6章CNN架构的例子 61LeNet 62AlexNet 63NiN 64VGGnet 65GoogleNet 66ResNet 67ResNeXt 68FractalNet 69DenseNet 第7章CNN在计算机视觉中的应用 71图像分类 711PointNet 72目标检测与定位 721基于区域的CNN 722快速RCNN 723区域建议网络 73语义分割 731全卷积网络 732深度反卷积网络 733DeepLab 74场景理解 741DeepContext 742从RGBD图像中学习丰富的特征 743用于场景理解的PointNet 75图像生成 751生成对抗网络 752深度卷积生成对抗网络 753超分辨率生成对抗网络 76基于视频的动作识别 761静止视频帧的动作识别 762双流CNN 763长期递归卷积网络 第8章深度学习工具和库 81Caffe 82TensorFlow 83MatConvNet 84Torch7 85Theano 86Keras 87Lasagne 88Marvin 89Chainer 810PyTorch 第9章结束语 91本书概要 92未来研究方向 术语表 参考文献

有问题微信扫码联系

• ※[套装书]认知红利+良性增长：盈利性增长的底层逻辑（2册）
• ※Soup: A Recipe to Nourish Your Team and Culture
• ※[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）
• ※[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）
• ※[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）
• ※[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+卷积神经网络与计算机视觉（2册）
• ※[套装书]认知红利+复盘+：把经验转化为能力（第3版）（2册）
• ※[套装书]认知红利+认识顾客（原书第13版）（2册）
• ※[套装书]中台战略：中台建设与数字商业+企业级业务架构设计：方法论与实践（2册）
• ※[套装书]中台战略：中台建设与数字商业+数字化转型之路（2册）
• ※强化学习（第2版）

桂ICP备20004708号-4