填写邮箱后继续，文件将发送至该邮箱。
| 书名： | 增强型分析：AI驱动的数据分析、业务决策与案例实践|8062863 |
| 图书定价： | 89元 |
| 图书作者： | 彭鸿涛 张宗耀 聂磊 |
| 出版社： | 机械工业出版社 |
| 出版日期： | 2019/8/26 0:00:00 |
| ISBN号： | 9787111634164 |
| 开本： | 16开 |
| 页数： | 274 |
| 版次： | 1-1 |
| 作者简介 |
| 彭鸿涛 张宗耀 聂磊 著：作者简介 彭鸿涛 德勤企业咨询总监兼首席数据科学家，德勤全球AI团队核心成员，德勤数字化转型、智慧营销、智慧风控、客户体验等核心咨询服务方案的资深顾问。 2008年加入SPSS并与跨国家团队一起进行Analytical Decision Management决策自动化工具的开发，与国内外团队一起构建了SPSS在不同应用领域的解决方案，其中某些方案现已成长为IBM的知名解决方案；2014年加入IBM GBSC部门，领导数据分析团队，针对不同客户设计和实施数据分析的方案；2016年加入IBM GBS GBS Cognitive Business Decision Support担任CTO和首席数据科学家，领导团队开发实施了有一定行业影响力的人工智能应用；2017年加入德勤企业咨询担任金融服务总监及首席数据科学家，领导团队开拓数字化转型背景下的新型咨询服务方案，期间高质量交付大型银行的数字化转型及实施相关项目并得到客户高度认可。 张宗耀 上海全应科技有限公司资深数据科学家，前华为企业智能部门资深数据科学家，前IBM SPSS 算法组件团队资深算法工程师。 2009年加入IBM SPSS算法组件团队，负责Statistic和Modeler产品的升级和维护；2012年开始大数据算法组件的设计和开发，为分布式分析引擎提供了核心计算单元，主导完成开发了分布式平台下的广义线性模型、自动建模算法、ADMM优化算法等，打造了分析引擎平台以及SPSS Modeler产品的*具竞争力算法模块；2015年开始投入Spark分布式框架的算法设计和开发，主导完成开发了生存分析算法、时间序列相关算法等，丰富了SPSS产品的核心算法组件。2016年加入华为，先后就职于华为的数据挖掘团队，以及企业智能部门的机器学习服务团队和工业解决方案团队，负责算法、机器学习、实时预测、数据分析，以及行业解决方案的设计、开发和部署相关的工作。 聂磊 陕西万禾数字科技有限公司CTO，前IBM SPSS 资深数据科学家，前IBM Watson Analytics数据分析引擎技术主管及架构师。 2008 年加入IBM Analytical Decision Management团队，主导开发了业务规则引擎和基于优化技术的预测性维护解决方案；2014年加入IBM Watson Analytics团队，担任技术主管兼架构师，主导了IBM Watson Analytics数据分析引擎基于Spark技术的转换，极大提高了平台的计算能力；2017年担任IBM Cognos Analytics团队架构师，主持了自动化技术的引入。 |
| 内容简介 |
| 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*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。 |
| 目录 |
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*佳参数设置 60 3.5 投票决定*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*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*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*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 |
| 编辑推荐 |
| Augmented Analytics AI Driven Data Analytics, Business Decisions and Case Practice 增强型分析 AI驱动的数据分析、业务决策与案例实践 彭鸿涛 张宗耀 聂磊 ◎ 著 德勤首席数据科学家、前华为资深数据科学家、 前IBM资深数据科学家联合撰写 从技术和业务双重维度讲解如何利用前沿的大数据和AI技术实现智能数据分析与业务决策 |
