思维导图备注

增强型分析：AI驱动的数据分析、业务决策与案例实践
首页 收藏书籍 阅读记录
  • 书签 我的书签
  • 添加书签 添加书签 移除书签 移除书签

推荐序一

浏览 1 扫码
  • 小字体
  • 中字体
  • 大字体
2022-01-24 22:42:27
请 登录 再阅读
上一篇:
下一篇:
  • 书签
  • 添加书签 移除书签
  • 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 算法与数据科学家
      • 1.1.1 数据科学、人工智能、机器学习等
      • 1.1.2 室内活动还是室外活动
    • 1.2 数据科学家不断成长的几个阶段
      • 1.2.1 算法——如何构建数据分析模型
      • 1.2.2 用法——如何回头看模型
      • 1.2.3 业务——如何产生更大价值
      • 1.2.4 战略——如何更广
    • 1.3 数据科学家的工作模式与组织结构
      • 1.3.2 数据科学家团队的组织结构
    • 1.4 数据科学家的工作方法要点
  • 第2章 大数据探索及预处理
    • 2.1 大数据探索
      • 2.1.1 数值类型
      • 2.1.2 连续型数据的探索
      • 2.1.3 分类型数据的探索
      • 2.1.4 示例：数据探索
    • 2.2 数据预处理
      • 2.2.1 数据清洗
      • 2.2.2 数据变换
      • 2.2.3 数据归约
    • 2.3 衍生指标的加工
      • 2.3.1 衍生指标概述
      • 2.3.2 将数值转化为百分位数
      • 2.3.3 把类别变量替换为数值
      • 2.3.4 多变量组合
      • 2.3.5 从时间序列中提取特征
  • 第3章 预测模型的新技术
    • 3.1 集成学习
      • 3.1.1 Averaging方法
      • 3.1.2 Boosting方法
    • 3.2 Gradient Tree Boosting介绍
      • 3.2.2 Gradient Tree Boosting算法的原理
    • 3.3 Gradient Tree Boosting的改进方向
      • 3.3.1 Gradient Tree Boosting的使用要点
      • 3.3.2 Regularization
      • 3.3.3 XGBoost介绍
    • 3.4 模型的最佳参数设置
    • 3.5 投票决定最终预测结果
    • 3.6 让模型在训练结束后还能被更新
      • 3.6.2 增量学习
    • 3.7 多输出预测
      • 3.7.1 Binary Relevance
      • 3.7.2 Classifier Chain
      • 3.7.3 Ensemble Classifier Chain
    • 3.8 案例：如何给客户从数百个产品中寻找合适的产品
      • 3.8.1 问题提出
      • 3.8.2 建模思路
      • 3.8.3 模型训练及应用
  • 第4章 序列分析
    • 4.1 通过客户行为研究做出服务策略
    • 4.2 频繁项集、关联规则的挖掘
      • 4.2.1 基本概念
      • 4.2.2 频繁或稀疏项集的挖掘
      • 4.2.3 关联规则的挖掘
    • 4.3 序列模式的挖掘以及应用
      • 4.3.1 换种视角观察项间的顺序
      • 4.3.2 “事无巨细”还是“事有巨细”
      • 4.3.3 序列挖掘的相关算法介绍
      • 4.3.4 示例：挖掘购买物品的序列模式
    • 4.4 序列规则的挖掘以及应用
      • 4.4.1 将频繁序列通过业务解读转换为行动指南
      • 4.4.2 序列规则的挖掘实现行动指南
      • 4.4.3 序列规则的挖掘算法
      • 4.4.4 示例：通过客户购买产品的序列推荐合适的产品
    • 4.5 序列预测的挖掘以及应用
      • 4.5.1 序列规则与序列预测的关系
      • 4.5.2 序列预测算法的介绍
      • 4.5.3 示例：客户下一步会做什么
  • 第5章 应用数据分析做出最优决策
    • 5.1 Prescriptive分析概述
      • 5.1.1 业务分析的3个层次
      • 5.1.2 为什么需要Prescriptive分析
      • 5.1.3 什么时候需要Prescriptive分析
    • 5.2 确定因素和非确定因素下的决策分析
    • 5.3 What-If分析和Goal Seeking分析
    • 5.4 优化技术介绍
      • 5.4.1 数据挖掘算法中常用的优化技术
      • 5.4.2 优化问题求解工具介绍
      • 5.4.3 CVXPY优化工具在机器学习算法中的应用
      • 5.4.4 应用优化技术寻找最优产品推荐
    • 5.5 仿真分析
      • 5.5.1 蒙特卡洛的介绍
      • 5.5.2 采用蒙特卡洛方法进行重采样
    • 5.6 马尔可夫链及马尔可夫决策过程
      • 5.6.1 马尔可夫过程及马尔可夫链
      • 5.6.2 马尔可夫决策过程及应用工具
      • 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
  • 第6章 深入探讨CNN
    • 6.1 换个角度讨论CNN
      • 6.1.1 卷积是在做什么
      • 6.1.2 人脸检测与人脸识别
      • 6.1.3 深度学习意味着什么
      • 6.1.4 CNN的结构
      • 6.1.5 CNN的训练及结果
    • 6.2 用CNN做人脸识别
      • 6.2.1 数据加载
      • 6.2.2 使用ImageDataGenerator
      • 6.2.3 定义模型和训练模型
      • 6.2.4 详细探究卷积最终的效果
    • 6.3 Embedding
      • 6.3.1 文本向量化的一般方法
      • 6.3.2 Word Embedding的原理及实现
      • 6.3.3 利用Word Embedding实现翻译
      • 6.3.4 Embedding的用途不止于Word Embedding
    • 6.4 一个例子：文本分类
      • 6.4.1 采用传统分类模型实现文本分类
      • 6.4.2 采用CNN进行文本分类
      • 6.4.3 采用FastText进行文本分类
  • 第7章 深入探讨RNN
    • 7.1 两种建模方法：Prediction和Sequence Labeling
      • 7.1.2 Sequence Labeling的特点
    • 7.2 RNN及其变种的详细原理
      • 7.2.2 RNN的初级神经元及计算逻辑
      • 7.2.3 LSTM的神经元及计算逻辑
      • 7.2.4 GRU的神经元与计算逻辑
      • 7.2.5 深度RNN的原理
      • 7.2.6 RNN算法的输入输出形式
    • 7.3 利用LSTM预测股票价格
      • 7.3.2 模型应用的探讨
    • 7.4 让计算机学会写唐诗
      • 7.4.1 构想：如何让计算机能够写出唐诗
      • 7.4.2 构建：模型实现的过程
    • 7.5 预测客户的下一个行为
      • 7.5.1 构想：如何利用LSTM实现客户行为的预测
      • 7.5.2 构建：模型实现过程
    • 7.6 计算机，请告诉我你看到了什么
      • 7.6.1 构想：如何让计算机生成图片描述
      • 7.6.2 实现：逐步构建图片描述生成模型
      • 7.6.3 VQA
  • 第8章 深入探讨GAN
    • 8.1 基本原理
      • 8.1.2 GAN的基本结构
      • 8.1.3 GAN模型训练及应用过程
      • 8.1.4 GAN原理的再探索
    • 8.2 让计算机书写数字
      • 8.2.2 基本实现过程
      • 8.2.3 采用DCGAN来实现
    • 8.3 让计算机画一张人脸
      • 8.3.1 如何让计算机理解我们的要求
      • 8.3.2 基本实现过程
暂无相关搜索结果！
    展开/收起文章目录

    二维码

    手机扫一扫，轻松掌上学

    《增强型分析：AI驱动的数据分析、业务决策与案例实践》电子书下载

    请下载您需要的格式的电子书，随时随地，享受学习的乐趣！
    EPUB 电子书

    书签列表

      阅读记录

      阅读进度: 0.00% ( 0/0 ) 重置阅读进度