定 價：￥89.00
| 作 者： | 彭鴻濤，張宗耀，聶磊 |
| 出版社： | 機械工業(yè)出版社 |
| 叢編項： | |
| 標 簽： | 暫缺 |
| ISBN： | 9787111634164 | 出版時間： | 2019-09-01 | 包裝： | |
| 開本： | 頁數(shù)： | 字數(shù)： |
推薦序一
\n推薦序二
\n前言
\n第1章 數(shù)據(jù)科學家的成長之路 1
\n1.1 算法與數(shù)據(jù)科學家 1
\n1.1.1 數(shù)據(jù)科學、人工智能、機器學習等 2
\n1.1.2 室內活動還是室外活動 3
\n1.2 數(shù)據(jù)科學家不斷成長的幾個階段 3
\n1.2.1 算法——如何構建數(shù)據(jù)分析模型 5
\n1.2.2 用法——如何回頭看模型 6
\n1.2.3 業(yè)務——如何產(chǎn)生更大價值 7
\n1.2.4 戰(zhàn)略——如何更廣 8
\n1.3 數(shù)據(jù)科學家的工作模式與組織結構 9
\n1.3.1 數(shù)據(jù)驅動還是業(yè)務驅動 9
\n1.3.2 數(shù)據(jù)科學家團隊的組織結構 9
\n1.4 數(shù)據(jù)科學家的工作方法要點 10
\n第2章 大數(shù)據(jù)探索及預處理 13
\n2.1 大數(shù)據(jù)探索 13
\n2.1.1 數(shù)值類型 13
\n2.1.2 連續(xù)型數(shù)據(jù)的探索 14
\n2.1.3 分類型數(shù)據(jù)的探索 19
\n2.1.4 示例：數(shù)據(jù)探索 20
\n2.2 數(shù)據(jù)預處理 26
\n2.2.1 數(shù)據(jù)清洗 26
\n2.2.2 數(shù)據(jù)變換 29
\n2.2.3 數(shù)據(jù)歸約 41
\n2.3 衍生指標的加工 44
\n2.3.1 衍生指標概述 45
\n2.3.2 將數(shù)值轉化為百分位數(shù) 45
\n2.3.3 把類別變量替換為數(shù)值 46
\n2.3.4 多變量組合 47
\n2.3.5 從時間序列中提取特征 47
\n第3章 預測模型的新技術 49
\n3.1 集成學習 49
\n3.1.1 Averaging方法 49
\n3.1.2 Boosting方法 51
\n3.2 Gradient Tree Boosting介紹 53
\n3.2.1 梯度與梯度下降 53
\n3.2.2 Gradient Tree Boosting算法的原理 55
\n3.3 Gradient Tree Boosting的改進方向 57
\n3.3.1 Gradient Tree Boosting的使用要點 57
\n3.3.2 Regularization 59
\n3.3.3 XGBoost介紹 60
\n3.4 模型的最佳參數(shù)設置 60
\n3.5 投票決定最終預測結果 65
\n3.6 讓模型在訓練結束后還能被更新 66
\n3.6.1 熱啟動 67
\n3.6.2 增量學習 67
\n3.7 多輸出預測 68
\n3.7.1 Binary Relevance 69
\n3.7.2 Classifier Chain 70
\n3.7.3 Ensemble Classifier Chain 70
\n3.8 案例：如何給客戶從數(shù)百個產(chǎn)品中尋找合適的產(chǎn)品 71
\n3.8.1 問題提出 72
\n3.8.2 建模思路 72
\n3.8.3 模型訓練及應用 73
\n第4章 序列分析 76
\n4.1 通過客戶行為研究做出服務策略 76
\n4.2 頻繁項集、關聯(lián)規(guī)則的挖掘 77
\n4.2.1 基本概念 77
\n4.2.2 頻繁或稀疏項集的挖掘 78
\n4.2.3 關聯(lián)規(guī)則的挖掘 86
\n4.3 序列模式的挖掘以及應用 88
\n4.3.1 換種視角觀察項間的順序 88
\n4.3.2 “事無巨細”還是“事有巨細” 89
\n4.3.3 序列挖掘的相關算法介紹 92
\n4.3.4 示例：挖掘購買物品的序列模式 96
\n4.4 序列規(guī)則的挖掘以及應用 101
\n4.4.1 將頻繁序列通過業(yè)務解讀轉換為行動指南 101
\n4.4.2 序列規(guī)則的挖掘實現(xiàn)行動指南 102
\n4.4.3 序列規(guī)則的挖掘算法 102
\n4.4.4 示例：通過客戶購買產(chǎn)品的序列推薦合適的產(chǎn)品 104
\n4.5 序列預測的挖掘以及應用 107
\n4.5.1 序列規(guī)則與序列預測的關系 107
\n4.5.2 序列預測算法的介紹 108
\n4.5.3 示例：客戶下一步會做什么 110
\n第5章 應用數(shù)據(jù)分析做出最優(yōu)決策 114
\n5.1 Prescriptive分析概述 114
\n5.1.1 業(yè)務分析的3個層次 115
\n5.1.2 為什么需要Prescriptive分析 116
\n5.1.3 什么時候需要Prescriptive分析 117
\n5.2 確定因素和非確定因素下的決策分析 118
\n5.3 What-If分析和Goal Seeking分析 121
\n5.4 優(yōu)化技術介紹 122
\n5.4.1 數(shù)據(jù)挖掘算法中常用的優(yōu)化技術 122
\n5.4.2 優(yōu)化問題求解工具介紹 127
\n5.4.3 CVXPY優(yōu)化工具在機器學習算法中的應用 130
\n5.4.4 應用優(yōu)化技術尋找最優(yōu)產(chǎn)品推薦 134
\n5.5 仿真分析 135
\n5.5.1 蒙特卡洛的介紹 135
\n5.5.2 采用蒙特卡洛方法進行重采樣 137
\n5.6 馬爾可夫鏈及馬爾可夫決策過程 143
\n5.6.1 馬爾可夫過程及馬爾可夫鏈 145
\n5.6.2 馬爾可夫決策過程及應用工具 148
\n5.6.3 應用馬爾可夫決策過程研究營銷策略及客戶生命周期價值 151
\n第6章 深入探討CNN 155
\n6.1 換個角度討論CNN 155
\n6.1.1 卷積是在做什么 156
\n6.1.2 人臉檢測與人臉識別 159
\n6.1.3 深度學習意味著什么 165
\n......
\n
鄂公網(wǎng)安備 42010302001612號 