Microsoft Azure機(jī)器學(xué)習(xí)和預(yù)測(cè)分析

定　價(jià)：￥59.00

作　者：	[[美 ]Roger，Barga，巴爾加，[美] Valentine，F(xiàn)ontama ... 著；李永倫譯
出版社：	人民郵電出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買這本書(shū)可以去

ISBN：	9787115458483	出版時(shí)間：	2017-08-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	190	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　近年來(lái)，機(jī)器學(xué)習(xí)領(lǐng)域受到越來(lái)越多的關(guān)注，相關(guān)的機(jī)器學(xué)習(xí)算法開(kāi)始成為熱點(diǎn)。本書(shū)專門介紹了有關(guān)機(jī)器學(xué)習(xí)的內(nèi)容，全書(shū)共分3部分：第1部分是數(shù)據(jù)科學(xué)和Microsoft Azure Machine Learning導(dǎo)論，介紹了數(shù)據(jù)科學(xué)和Microsoft Azure Machine Learning的基本知識(shí)以及需要用到的語(yǔ)言的基本知識(shí)；第二部分是統(tǒng)計(jì)學(xué)和機(jī)器學(xué)習(xí)算法，系統(tǒng)地講解了統(tǒng)計(jì)學(xué)和機(jī)器學(xué)習(xí)的相關(guān)算法；第三部分是實(shí)用應(yīng)用程序，這一部分介紹了新的微軟Azure機(jī)器學(xué)習(xí)服務(wù)，講解如何高效構(gòu)建和部署預(yù)測(cè)模型，還講解了如何解決傾向建模、產(chǎn)品推薦等實(shí)用技能。本書(shū)可供數(shù)據(jù)科學(xué)、商業(yè)分析和商業(yè)智能領(lǐng)域的開(kāi)發(fā)人員，對(duì)機(jī)器學(xué)習(xí)感興趣的開(kāi)發(fā)者閱讀。

作者簡(jiǎn)介

　　Roger Barga是***Web服務(wù)的總經(jīng)理和開(kāi)發(fā)總監(jiān)。在加入***之前，Roger是微軟的云與企業(yè)部門的云機(jī)器學(xué)習(xí)組的產(chǎn)品組程序經(jīng)理，他的團(tuán)隊(duì)負(fù)責(zé)Azure機(jī)器學(xué)習(xí)服務(wù)的產(chǎn)品管理。Roger于1997年加入微軟，在微軟研究院的數(shù)據(jù)庫(kù)產(chǎn)品組里擔(dān)任研究員，他領(lǐng)導(dǎo)數(shù)據(jù)庫(kù)、工作流和流處理系統(tǒng)的系統(tǒng)研究和產(chǎn)品開(kāi)發(fā)。他提出了從基礎(chǔ)研究，通過(guò)原型驗(yàn)證概念，到產(chǎn)品組孵化的設(shè)想。在加入微軟之前，Roger是Pacific Northwest National Laboratory的機(jī)器學(xué)習(xí)組的研究科學(xué)家，他構(gòu)建和部署基于機(jī)器學(xué)習(xí)的解決方案。Roger還是華盛頓大學(xué)的助理教授，他是數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)課程的講師。Roger擁有計(jì)算機(jī)科學(xué)的博士學(xué)位（PhD），專攻機(jī)器學(xué)習(xí)。從1991年到2013年，他發(fā)表了超過(guò)90份同行評(píng)審的技術(shù)論文和專書(shū)論文，和214個(gè)合著者共事，有1084個(gè)作者超過(guò)700個(gè)引述。Valentine Fontama是微軟Cloud & Enterprise Analytics and Insights產(chǎn)品組的數(shù)據(jù)科學(xué)家經(jīng)理。Val在數(shù)據(jù)科學(xué)和業(yè)務(wù)上有著超過(guò)18年的經(jīng)驗(yàn)。在獲得人工神經(jīng)網(wǎng)絡(luò)的博士學(xué)位之后，他把數(shù)據(jù)挖掘應(yīng)用到環(huán)境科學(xué)和信用行業(yè)。在加入微軟之前，Val是倫敦Equifax的新技術(shù)咨詢師，他zui先提倡把數(shù)據(jù)挖掘應(yīng)用到消費(fèi)信用行業(yè)的風(fēng)險(xiǎn)評(píng)估和市場(chǎng)營(yíng)銷。他目前是華盛頓大學(xué)的數(shù)據(jù)科學(xué)助理教授。他之前在微軟的職位是Data and Decision Sciences Group（DDSG）的主要數(shù)據(jù)科學(xué)家，為微軟客戶（包括ThyssenKrupp和Dell）提供外部咨詢。在那之前，他是一個(gè)資-深產(chǎn)品營(yíng)銷經(jīng)理，負(fù)責(zé)云的大數(shù)據(jù)和預(yù)測(cè)分析以及企業(yè)營(yíng)銷。在這個(gè)角色里，他負(fù)責(zé)微軟Azure機(jī)器學(xué)習(xí)的產(chǎn)品管理；HDInsight，微軟的首-個(gè)Hadoop服務(wù)；Parallel Data Warehouse，微軟的首-個(gè)數(shù)據(jù)倉(cāng)庫(kù)工具；Fast Track Data Warehouse的3個(gè)版本發(fā)布。Val擁有沃頓商學(xué)院的戰(zhàn)略管理和市場(chǎng)營(yíng)銷的MBA學(xué)位，擁有神經(jīng)網(wǎng)絡(luò)的博士學(xué)位，擁有計(jì)算方面的碩士學(xué)位，擁有數(shù)學(xué)和電子的學(xué)士學(xué)位（獲得一等榮譽(yù)）。他合著了《Introducing Microsoft Azure HDInsight》一書(shū)，發(fā)表過(guò)11份學(xué)術(shù)論文，有超過(guò)227個(gè)作者152個(gè)引述。Wee-Hyong Tok是微軟公司云與企業(yè)組的信息管理和機(jī)器學(xué)習(xí)（IMML）團(tuán)隊(duì)的資-深程序經(jīng)理。Wee-Hyong帶來(lái)了數(shù)十年跨行業(yè)和學(xué)術(shù)的數(shù)據(jù)庫(kù)系統(tǒng)經(jīng)驗(yàn)。在獲得博士學(xué)位之前，Wee-Hyong是新加坡一個(gè)大型電信公司的系統(tǒng)分析師。Wee-Hyong是SQL Server方向的zui有價(jià)值專家（MVP），專注于商業(yè)智能和數(shù)據(jù)挖掘領(lǐng)域。他率先在東南亞開(kāi)展數(shù)據(jù)挖掘訓(xùn)練營(yíng)，為IT專家?guī)?lái)知識(shí)和技術(shù)，使他們可以在他們的組織里使用分析工具把原始數(shù)據(jù)轉(zhuǎn)成洞察。他加入微軟并在SQL Server團(tuán)隊(duì)里工作，負(fù)責(zé)塑造SSIS Server，并在SQL Server 2012里把它從概念變成實(shí)現(xiàn)。Wee-Hyong擁有新加坡國(guó)立大學(xué)的計(jì)算機(jī)科學(xué)的博士學(xué)位和計(jì)算方面的碩士學(xué)位（獲得一等榮譽(yù)）。他發(fā)表過(guò)21篇同行評(píng)審的學(xué)術(shù)論文和期刊文章。他是以下書(shū)籍的合著者：《Predictive Analytics with Microsoft Azure Machine Learning》《Introducing Microsoft Azure HDInsight》和《Microsoft SQL Server 2012 Integration Services》。

圖書(shū)目錄

目錄

第1部分數(shù)據(jù)科學(xué)和Microsoft Azure Machine Learning導(dǎo)論
第1章數(shù)據(jù)科學(xué)導(dǎo)論\t3
1．1 數(shù)據(jù)科學(xué)是什么\t3
1．2 分析頻譜\t4
1．2．1 描述性分析\t4
1．2．2 診斷性分析\t5
1．2．3 預(yù)測(cè)性分析\t5
1．2．4 規(guī)定性分析\t5
1．3 為何重要，為何現(xiàn)在\t6
1．3．1 把數(shù)據(jù)看作競(jìng)爭(zhēng)資產(chǎn)\t6
1．3．2 客戶需求的增長(zhǎng)\t6
1．3．3 對(duì)數(shù)據(jù)挖掘技術(shù)認(rèn)識(shí)的提高\(yùn)t7
1．3．4 訪問(wèn)更多數(shù)據(jù)\t7
1．3．5 更快、更廉價(jià)的處理能力\t7
1．3．6 數(shù)據(jù)科學(xué)流程\t8
1．4 常見(jiàn)數(shù)據(jù)科學(xué)技術(shù)\t10
1．4．1 分類算法\t10
1．4．2 聚類算法\t11
1．4．3 回歸算法\t12
1．4．4 模擬\t12
1．4．5 內(nèi)容分析\t12
1．4．6 推薦引擎\t13
1．5 數(shù)據(jù)科學(xué)的前沿\t13
1．6 小結(jié)\t14
第2章 Microsoft Azure Machine
Learning導(dǎo)論\t15
2．1 你好，Machine Learning Studio\t15
2．2 實(shí)驗(yàn)的組件\t16
2．3 Gallery簡(jiǎn)介\t17
2．4 創(chuàng)建訓(xùn)練實(shí)驗(yàn)的5個(gè)簡(jiǎn)單步驟\t18
2．4．1 第1步：獲取數(shù)據(jù)\t19
2．4．2 第2步：預(yù)處理數(shù)據(jù)\t20
2．4．3 第3步：定義特征\t22
2．4．4 第4步：選擇和應(yīng)用學(xué)習(xí)
算法\t23
2．4．5 第5步：在新數(shù)據(jù)之上做
預(yù)測(cè)\t24
2．5 在生產(chǎn)環(huán)境里部署你的模型\t26
2．5．1 創(chuàng)建預(yù)測(cè)實(shí)驗(yàn)\t26
2．5．2 把你的實(shí)驗(yàn)發(fā)布成Web
服務(wù)\t28
2．5．3 訪問(wèn)Azure Machine Learning的
Web服務(wù)\t28
2．6 小結(jié)\t30
第3章數(shù)據(jù)準(zhǔn)備\t31
3．1 數(shù)據(jù)清理和處理\t31
3．1．1 了解你的數(shù)據(jù)\t32
3．1．2 缺失值和空值\t37
3．1．3 處理重復(fù)記錄\t38
3．1．4 識(shí)別并移除離群值\t39
3．1．5 特征歸一化\t40
3．1．6 處理類別不均\t41
3．2 特征選擇\t43
3．3 特征工程\t46
3．3．1 分裝數(shù)據(jù)\t48
3．3．2 維度災(zāi)難\t50
3．4 小結(jié)\t53
第4章整合R\t54
4．1 R概覽\t54
4．2 構(gòu)建和部署你的首個(gè)R腳本\t56
4．3 使用R進(jìn)行數(shù)據(jù)預(yù)處理\t59
4．4 使用腳本包（ZIP）\t61
4．5 使用R構(gòu)建和部署決策樹(shù)\t64
4．6 小結(jié)\t68
第5章整合Python\t69
5．1 概覽\t69
5．2 Python快速上手\t70
5．3 在Azure ML實(shí)驗(yàn)里使用Python\t71
5．4 使用Python進(jìn)行數(shù)據(jù)預(yù)處理\t76
5．4．1 使用Python合并數(shù)據(jù)\t76
5．4．2 使用Python處理缺失值\t79
5．4．3 使用Python進(jìn)行特征選擇\t80
5．4．4 在Azure ML實(shí)驗(yàn)里運(yùn)行
Python代碼\t82
5．5 小結(jié)\t86
第2部分統(tǒng)計(jì)學(xué)和機(jī)器學(xué)習(xí)算法
第6章統(tǒng)計(jì)學(xué)和機(jī)器學(xué)習(xí)算法概覽\t89
6．1 回歸算法\t89
6．1．1 線性回歸\t89
6．1．2 神經(jīng)網(wǎng)絡(luò)\t90
6．1．3 決策樹(shù)\t92
6．1．4 提升決策樹(shù)\t93
6．2 分類算法\t94
6．2．1 支持向量機(jī)\t95
6．2．2 貝葉斯點(diǎn)機(jī)\t96
6．3 聚類算法\t97
6．4 小結(jié)\t99
第3部分實(shí)用應(yīng)用程序
第7章構(gòu)建客戶傾向模型\t103
7．1 業(yè)務(wù)問(wèn)題\t103
7．2 數(shù)據(jù)獲取和準(zhǔn)備\t104
7．3 訓(xùn)練模型\t109
7．4 模型測(cè)試和驗(yàn)證\t111
7．5 模型的性能\t112
7．6 確定評(píng)估指標(biāo)的優(yōu)先級(jí)\t115
7．7 小結(jié)\t116
第8章使用Power BI可視化你的
模型\t117
8．1 概覽\t117
8．2 Power BI簡(jiǎn)介\t117
8．3 使用Power BI可視化的三種
方案\t119
8．4 在Azure Machine Learning里給你的
數(shù)據(jù)評(píng)分，并在Excel里可視化\t120
8．5 在Excel里評(píng)分并可視化你的
數(shù)據(jù)\t123
8．6 在Azure Machine Learning里給你的
數(shù)據(jù)評(píng)分，并在powerbi．com里
可視化\t124
8．6．1 加載數(shù)據(jù)\t125
8．6．2 構(gòu)建你的儀表板\t125
8．7 小結(jié)\t127
第9章構(gòu)建流失模型\t128
9．1 流失模型概覽\t128
9．2 構(gòu)建和部署客戶流失模型\t129
9．2．1 準(zhǔn)備和了解數(shù)據(jù)\t129
9．2．2 數(shù)據(jù)預(yù)處理和特征選擇\t132
9．2．3 用于預(yù)測(cè)流失的分類模型\t135
9．2．4 評(píng)估客戶流失模型的性能\t137
9．3 小結(jié)\t138
第10章客戶細(xì)分模型\t139
10．1 客戶細(xì)分模型概覽\t139
10．2 構(gòu)建和部署你的第一個(gè)K均值聚
類模型\t140
10．2．1 特征散列\(zhòng)t142
10．2．2 找出合適的特征\t142
10．2．3 K均值聚類算法的屬性\t144
10．3 批發(fā)客戶的客戶細(xì)分\t145
10．3．1 從UCI機(jī)器學(xué)習(xí)庫(kù)加載
數(shù)據(jù)\t145
10．3．2 使用K均值聚類算法進(jìn)行批發(fā)
客戶細(xì)分\t146
10．3．3 新數(shù)據(jù)的聚類分配\t147
10．4 小結(jié)\t148
第11章構(gòu)建預(yù)見(jiàn)性維護(hù)模型\t149
11．1 概覽\t149
11．2 預(yù)見(jiàn)性維護(hù)場(chǎng)景\t150
11．3 業(yè)務(wù)問(wèn)題\t150
11．4 數(shù)據(jù)獲取和準(zhǔn)備\t151
11．4．1 數(shù)據(jù)集\t151
11．4．2 數(shù)據(jù)加載\t151
11．4．3 數(shù)據(jù)分析\t151
11．5 訓(xùn)練模型\t154
11．6 模型測(cè)試和驗(yàn)證\t155
11．7 模型性能\t156
11．8 改善模型的技術(shù)\t158
11．9 模型部署\t161
11．9．1 創(chuàng)建預(yù)測(cè)實(shí)驗(yàn)\t161
11．9．2 把你的實(shí)驗(yàn)部署成Web
服務(wù)\t162
11．10 小結(jié)\t163
第12章推薦系統(tǒng)\t164
12．1 概覽\t164
12．2 推薦系統(tǒng)的方案和場(chǎng)景\t164
12．3 業(yè)務(wù)問(wèn)題\t165
12．4 數(shù)據(jù)獲取和準(zhǔn)備\t166
12．5 訓(xùn)練模型\t170
12．6 模型測(cè)試和驗(yàn)證\t171
12．7 小結(jié)\t175
第13章使用和發(fā)布Azure Marketplace
上的模型\t176
13．1 什么是機(jī)器學(xué)習(xí)API\t176
13．2 如何使用Azure Marketplace的
API\t178
13．3 在Azure Marketplace里發(fā)布你
自己的模型\t182
13．4 為你的機(jī)器學(xué)習(xí)模型創(chuàng)建和
發(fā)布Web服務(wù)\t182
13．4．1 創(chuàng)建評(píng)分實(shí)驗(yàn)\t183
13．4．2 把你的實(shí)驗(yàn)發(fā)布成Web
服務(wù)\t183
13．5 獲取API密鑰和OData端點(diǎn)
信息\t184
13．6 把你的模型發(fā)布為Azure
Marketplace里的API\t184
13．7 小結(jié)\t186
第14章 Cortana分析\t187
14．1 Cortana分析套件是什么\t187
14．2 Cortana分析套件的功能\t187
14．3 示例場(chǎng)景\t189
14．4 小結(jié)\t190