Microsoft Azure機器學(xué)習(xí)和預(yù)測分析

定　價：￥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：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787115458483	出版時間：	2017-08-01	包裝：	平裝
開本：	16開	頁數(shù)：	190	字?jǐn)?shù)：

內(nèi)容簡介

　　近年來，機器學(xué)習(xí)領(lǐng)域受到越來越多的關(guān)注，相關(guān)的機器學(xué)習(xí)算法開始成為熱點。本書專門介紹了有關(guān)機器學(xué)習(xí)的內(nèi)容，全書共分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的基本知識以及需要用到的語言的基本知識；第二部分是統(tǒng)計學(xué)和機器學(xué)習(xí)算法，系統(tǒng)地講解了統(tǒng)計學(xué)和機器學(xué)習(xí)的相關(guān)算法；第三部分是實用應(yīng)用程序，這一部分介紹了新的微軟Azure機器學(xué)習(xí)服務(wù)，講解如何高效構(gòu)建和部署預(yù)測模型，還講解了如何解決傾向建模、產(chǎn)品推薦等實用技能。本書可供數(shù)據(jù)科學(xué)、商業(yè)分析和商業(yè)智能領(lǐng)域的開發(fā)人員，對機器學(xué)習(xí)感興趣的開發(fā)者閱讀。

作者簡介

　　Roger Barga是***Web服務(wù)的總經(jīng)理和開發(fā)總監(jiān)。在加入***之前，Roger是微軟的云與企業(yè)部門的云機器學(xué)習(xí)組的產(chǎn)品組程序經(jīng)理，他的團隊負(fù)責(zé)Azure機器學(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)庫產(chǎn)品組里擔(dān)任研究員，他領(lǐng)導(dǎo)數(shù)據(jù)庫、工作流和流處理系統(tǒng)的系統(tǒng)研究和產(chǎn)品開發(fā)。他提出了從基礎(chǔ)研究，通過原型驗證概念，到產(chǎn)品組孵化的設(shè)想。在加入微軟之前，Roger是Pacific Northwest National Laboratory的機器學(xué)習(xí)組的研究科學(xué)家，他構(gòu)建和部署基于機器學(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)和機器學(xué)習(xí)課程的講師。Roger擁有計算機科學(xué)的博士學(xué)位（PhD），專攻機器學(xué)習(xí)。從1991年到2013年，他發(fā)表了超過90份同行評審的技術(shù)論文和專書論文，和214個合著者共事，有1084個作者超過700個引述。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18年的經(jīng)驗。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)用到消費信用行業(yè)的風(fēng)險評估和市場營銷。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，他是一個資-深產(chǎn)品營銷經(jīng)理，負(fù)責(zé)云的大數(shù)據(jù)和預(yù)測分析以及企業(yè)營銷。在這個角色里，他負(fù)責(zé)微軟Azure機器學(xué)習(xí)的產(chǎn)品管理；HDInsight，微軟的首-個Hadoop服務(wù)；Parallel Data Warehouse，微軟的首-個數(shù)據(jù)倉庫工具；Fast Track Data Warehouse的3個版本發(fā)布。Val擁有沃頓商學(xué)院的戰(zhàn)略管理和市場營銷的MBA學(xué)位，擁有神經(jīng)網(wǎng)絡(luò)的博士學(xué)位，擁有計算方面的碩士學(xué)位，擁有數(shù)學(xué)和電子的學(xué)士學(xué)位（獲得一等榮譽）。他合著了《Introducing Microsoft Azure HDInsight》一書，發(fā)表過11份學(xué)術(shù)論文，有超過227個作者152個引述。Wee-Hyong Tok是微軟公司云與企業(yè)組的信息管理和機器學(xué)習(xí)（IMML）團隊的資-深程序經(jīng)理。Wee-Hyong帶來了數(shù)十年跨行業(yè)和學(xué)術(shù)的數(shù)據(jù)庫系統(tǒng)經(jīng)驗。在獲得博士學(xué)位之前，Wee-Hyong是新加坡一個大型電信公司的系統(tǒng)分析師。Wee-Hyong是SQL Server方向的zui有價值專家（MVP），專注于商業(yè)智能和數(shù)據(jù)挖掘領(lǐng)域。他率先在東南亞開展數(shù)據(jù)挖掘訓(xùn)練營，為IT專家?guī)碇R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團隊里工作，負(fù)責(zé)塑造SSIS Server，并在SQL Server 2012里把它從概念變成實現(xiàn)。Wee-Hyong擁有新加坡國立大學(xué)的計算機科學(xué)的博士學(xué)位和計算方面的碩士學(xué)位（獲得一等榮譽）。他發(fā)表過21篇同行評審的學(xué)術(shù)論文和期刊文章。他是以下書籍的合著者：《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)看作競爭資產(chǎn)\t6
1．3．2 客戶需求的增長\t6
1．3．3 對數(shù)據(jù)挖掘技術(shù)認(rèn)識的提高\t7
1．3．4 訪問更多數(shù)據(jù)\t7
1．3．5 更快、更廉價的處理能力\t7
1．3．6 數(shù)據(jù)科學(xué)流程\t8
1．4 常見數(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 實驗的組件\t16
2．3 Gallery簡介\t17
2．4 創(chuàng)建訓(xùn)練實驗的5個簡單步驟\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\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)測實驗\t26
2．5．2 把你的實驗發(fā)布成Web
服務(wù)\t28
2．5．3 訪問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R腳本\t56
4．3 使用R進行數(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\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實驗里使用Python\t71
5．4 使用Python進行數(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進行特征選擇\t80
5．4．4 在Azure ML實驗里運行
Python代碼\t82
5．5 小結(jié)\t86
第2部分統(tǒng)計學(xué)和機器學(xué)習(xí)算法
第6章統(tǒng)計學(xué)和機器學(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\t92
6．1．4 提升決策樹\t93
6．2 分類算法\t94
6．2．1 支持向量機\t95
6．2．2 貝葉斯點機\t96
6．3 聚類算法\t97
6．4 小結(jié)\t99
第3部分實用應(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 模型測試和驗證\t111
7．5 模型的性能\t112
7．6 確定評估指標(biāo)的優(yōu)先級\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)評分，并在Excel里可視化\t120
8．5 在Excel里評分并可視化你的
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)測流失的分類模型\t135
9．2．4 評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機器學(xué)習(xí)庫加載
數(shù)據(jù)\t145
10．3．2 使用K均值聚類算法進行批發(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)見性維護模型\t149
11．1 概覽\t149
11．2 預(yù)見性維護場景\t150
11．3 業(yè)務(wù)問題\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 模型測試和驗證\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)測實驗\t161
11．9．2 把你的實驗部署成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)的方案和場景\t164
12．3 業(yè)務(wù)問題\t165
12．4 數(shù)據(jù)獲取和準(zhǔn)備\t166
12．5 訓(xùn)練模型\t170
12．6 模型測試和驗證\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)建評分實驗\t183
13．4．2 把你的實驗發(fā)布成Web
服務(wù)\t183
13．5 獲取API密鑰和OData端點
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 示例場景\t189
14．4 小結(jié)\t190