由于此商品库存有限,请在下单后15分钟之内支付完成,手慢无哦!
100%刮中券,最高50元无敌券,券有效期7天
活动自2017年6月2日上线,敬请关注云钻刮券活动规则更新。
如活动受政府机关指令需要停止举办的,或活动遭受严重网络攻击需暂停举办的,或者系统故障导致的其它意外问题,苏宁无需为此承担赔偿或者进行补偿。
正版新书]数据分析与决策技术丛书型分析:AI驱动的数据分析.业务
¥ ×1
序一
序二
前言
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.. 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.. 数据归约41
. 衍生指标的加工44
..1 衍生指标概述45
..2 将数值转化为百分位数45
.. 把类别变量替换为数值46
..4 多变量组合47
..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 Regularization59
3.3.3 XGBoost介绍60
3.4 模型的参数设置60
3.5 投票决定预测结果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 Relevance69
3.7.2 Classifier Chain70
3.7.3 Ensemble Classifier Chain70
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.. 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 应用优化技术寻找产品134
5.5 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CNN155
6.1 换个角度讨论CNN155
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ImageDataGeneratr75
6.. 定义模型和训练模型176
6.2.4 详细探究卷积的效果178
6.3 Embedding181
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 Embedding192
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RNN201
7.1 两种建模方法:Prediction 和 Sequence Labeling201
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.. 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预测价格209
7.3.1 模型构建及验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 VA2
第8章 深入探讨GAN5
8.1 基本原理5
8.1.1 构想5
8.1.2 GAN的基本结构
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.. 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
亲,大宗购物请点击企业用户渠道>小苏的服务会更贴心!
亲,很抱歉,您购买的宝贝销售异常火爆让小苏措手不及,请稍后再试~
非常抱歉,您前期未参加预订活动,
无法支付尾款哦!
抱歉,您暂无任性付资格