增強(qiáng)型分析：AI驅(qū)動(dòng)的數(shù)據(jù)分析、業(yè)務(wù)決策與案例實(shí)踐

推薦序一

推薦序二

前言

第1章　數(shù)據(jù)科學(xué)家的成長之路 1

1.1  算法與數(shù)據(jù)科學(xué)家   1

1.1.1  數(shù)據(jù)科學(xué)、人工智能、機(jī)器學(xué)習(xí)等   2

1.1.2  室內(nèi)活動(dòng)還是室外活動(dòng) 3

1.2  數(shù)據(jù)科學(xué)家不斷成長的幾個(gè)階段   3

1.2.1  算法——如何構(gòu)建數(shù)據(jù)分析模型 5

1.2.2  用法——如何回頭看模型   6

1.2.3  業(yè)務(wù)——如何產(chǎn)生更大價(jià)值 7

1.2.4  戰(zhàn)略——如何更廣 8

1.3  數(shù)據(jù)科學(xué)家的工作模式與組織結(jié)構(gòu) 9

1.3.1  數(shù)據(jù)驅(qū)動(dòng)還是業(yè)務(wù)驅(qū)動(dòng) 9

1.3.2  數(shù)據(jù)科學(xué)家團(tuán)隊(duì)的組織結(jié)構(gòu) 9

1.4  數(shù)據(jù)科學(xué)家的工作方法要點(diǎn)   10

第2章　大數(shù)據(jù)探索及預(yù)處理  13

2.1  大數(shù)據(jù)探索 13

2.1.1  數(shù)值類型 13

2.1.2  連續(xù)型數(shù)據(jù)的探索 14

2.1.3  分類型數(shù)據(jù)的探索 19

2.1.4  示例：數(shù)據(jù)探索   20

2.2  數(shù)據(jù)預(yù)處理 26

2.2.1  數(shù)據(jù)清洗 26

2.2.2  數(shù)據(jù)變換 29

2.2.3  數(shù)據(jù)歸約 41

2.3  衍生指標(biāo)的加工 44

2.3.1  衍生指標(biāo)概述 45

2.3.2  將數(shù)值轉(zhuǎn)化為百分位數(shù) 45

2.3.3  把類別變量替換為數(shù)值 46

2.3.4  多變量組合   47

2.3.5  從時(shí)間序列中提取特征 47

第3章　預(yù)測(cè)模型的新技術(shù) 49

3.1  集成學(xué)習(xí)   49

3.1.1  Averaging方法    49

3.1.2  Boosting方法 51

3.2  Gradient Tree Boosting介紹 53

3.2.1  梯度與梯度下降   53

3.2.2  Gradient Tree Boosting算法的原理 55

3.3  Gradient Tree Boosting的改進(jìn)方向   57

3.3.1  Gradient Tree Boosting的使用要點(diǎn) 57

3.3.2  Regularization   59

3.3.3  XGBoost介紹  60

3.4  模型的最佳參數(shù)設(shè)置 60

3.5  投票決定最終預(yù)測(cè)結(jié)果   65

3.6  讓模型在訓(xùn)練結(jié)束后還能被更新   66

3.6.1  熱啟動(dòng)   67

3.6.2  增量學(xué)習(xí) 67

3.7  多輸出預(yù)測(cè) 68

3.7.1  Binary Relevance 69

3.7.2  Classifier Chain 70

3.7.3  Ensemble Classifier Chain    70

3.8  案例：如何給客戶從數(shù)百個(gè)產(chǎn)品中尋找合適的產(chǎn)品   71

3.8.1  問題提出 72

3.8.2  建模思路 72

3.8.3  模型訓(xùn)練及應(yīng)用   73

第4章　序列分析 76

4.1  通過客戶行為研究做出服務(wù)策略   76

4.2  頻繁項(xiàng)集、關(guān)聯(lián)規(guī)則的挖掘   77

4.2.1  基本概念 77

4.2.2  頻繁或稀疏項(xiàng)集的挖掘 78

4.2.3  關(guān)聯(lián)規(guī)則的挖掘   86

4.3  序列模式的挖掘以及應(yīng)用 88

4.3.1  換種視角觀察項(xiàng)間的順序   88

4.3.2  “事無巨細(xì)”還是“事有巨細(xì)” 89

4.3.3  序列挖掘的相關(guān)算法介紹   92

4.3.4  示例：挖掘購買物品的序列模式 96

4.4  序列規(guī)則的挖掘以及應(yīng)用 101

4.4.1  將頻繁序列通過業(yè)務(wù)解讀轉(zhuǎn)換為行動(dòng)指南 101

4.4.2  序列規(guī)則的挖掘?qū)崿F(xiàn)行動(dòng)指南   102

4.4.3  序列規(guī)則的挖掘算法   102

4.4.4  示例：通過客戶購買產(chǎn)品的序列推薦合適的產(chǎn)品   104

4.5  序列預(yù)測(cè)的挖掘以及應(yīng)用 107

4.5.1  序列規(guī)則與序列預(yù)測(cè)的關(guān)系 107

4.5.2  序列預(yù)測(cè)算法的介紹   108

4.5.3  示例：客戶下一步會(huì)做什么 110

第5章　應(yīng)用數(shù)據(jù)分析做出最優(yōu)決策 114

5.1  Prescriptive分析概述   114

5.1.1  業(yè)務(wù)分析的3個(gè)層次   115

5.1.2  為什么需要Prescriptive分析  116

5.1.3  什么時(shí)候需要Prescriptive分析 117

5.2  確定因素和非確定因素下的決策分析   118

5.3  What-If分析和Goal Seeking分析 121

5.4  優(yōu)化技術(shù)介紹   122

5.4.1  數(shù)據(jù)挖掘算法中常用的優(yōu)化技術(shù) 122

5.4.2  優(yōu)化問題求解工具介紹 127

5.4.3  CVXPY優(yōu)化工具在機(jī)器學(xué)習(xí)算法中的應(yīng)用  130

5.4.4  應(yīng)用優(yōu)化技術(shù)尋找最優(yōu)產(chǎn)品推薦 134

5.5  仿真分析   135

5.5.1  蒙特卡洛的介紹   135

5.5.2  采用蒙特卡洛方法進(jìn)行重采樣   137

5.6  馬爾可夫鏈及馬爾可夫決策過程   143

5.6.1  馬爾可夫過程及馬爾可夫鏈 145

5.6.2  馬爾可夫決策過程及應(yīng)用工具   148

5.6.3  應(yīng)用馬爾可夫決策過程研究營銷策略及客戶生命周期價(jià)值   151

第6章　深入探討CNN 155

6.1  換個(gè)角度討論CNN    155

6.1.1  卷積是在做什么   156

6.1.2  人臉檢測(cè)與人臉識(shí)別   159

6.1.3  深度學(xué)習(xí)意味著什么   165

......