注册 | 登录读书好,好读书,读好书!
读书网-DuShu.com
当前位置: 首页出版图书科学技术计算机/网络人工智能Microsoft Azure机器学习和预测分析

Microsoft Azure机器学习和预测分析

Microsoft Azure机器学习和预测分析

定 价:¥59.00

作 者: [[美 ]Roger,Barga,巴尔加,[美] Valentine,Fontama ... 著;李永伦 译
出版社: 人民邮电出版社
丛编项:
标 签: 暂缺

购买这本书可以去


ISBN: 9787115458483 出版时间: 2017-08-01 包装: 平装
开本: 16开 页数: 190 字数:  

内容简介

  近年来,机器学习领域受到越来越多的关注,相关的机器学习算法开始成为热点。本书专门介绍了有关机器学习的内容,全书共分3部分:第1部分是数据科学和Microsoft Azure Machine Learning导论,介绍了数据科学和Microsoft Azure Machine Learning的基本知识以及需要用到的语言的基本知识;第二部分是统计学和机器学习算法,系统地讲解了统计学和机器学习的相关算法;第三部分是实用应用程序,这一部分介绍了新的微软Azure机器学习服务,讲解如何高效构建和部署预测模型,还讲解了如何解决倾向建模、产品推荐等实用技能。本书可供数据科学、商业分析和商业智能领域的开发人员,对机器学习感兴趣的开发者阅读。

作者简介

  Roger Barga是***Web服务的总经理和开发总监。在加入***之前,Roger是微软的云与企业部门的云机器学习组的产品组程序经理,他的团队负责Azure机器学习服务的产品管理。Roger于1997年加入微软,在微软研究院的数据库产品组里担任研究员,他领导数据库、工作流和流处理系统的系统研究和产品开发。他提出了从基础研究,通过原型验证概念,到产品组孵化的设想。在加入微软之前,Roger是Pacific Northwest National Laboratory的机器学习组的研究科学家,他构建和部署基于机器学习的解决方案。Roger还是华盛顿大学的助理教授,他是数据科学和机器学习课程的讲师。Roger拥有计算机科学的博士学位(PhD),专攻机器学习。从1991年到2013年,他发表了超过90份同行评审的技术论文和专书论文,和214个合著者共事,有1084个作者超过700个引述。Valentine Fontama是微软Cloud & Enterprise Analytics and Insights产品组的数据科学家经理。Val在数据科学和业务上有着超过18年的经验。在获得人工神经网络的博士学位之后,他把数据挖掘应用到环境科学和信用行业。在加入微软之前,Val是伦敦Equifax的新技术咨询师,他zui先提倡把数据挖掘应用到消费信用行业的风险评估和市场营销。他目前是华盛顿大学的数据科学助理教授。他之前在微软的职位是Data and Decision Sciences Group(DDSG)的主要数据科学家,为微软客户(包括ThyssenKrupp和Dell)提供外部咨询。在那之前,他是一个资-深产品营销经理,负责云的大数据和预测分析以及企业营销。在这个角色里,他负责微软Azure机器学习的产品管理;HDInsight,微软的首-个Hadoop服务;Parallel Data Warehouse,微软的首-个数据仓库工具;Fast Track Data Warehouse的3个版本发布。Val拥有沃顿商学院的战略管理和市场营销的MBA学位,拥有神经网络的博士学位,拥有计算方面的硕士学位,拥有数学和电子的学士学位(获得一等荣誉)。他合著了《Introducing Microsoft Azure HDInsight》一书,发表过11份学术论文,有超过227个作者152个引述。Wee-Hyong Tok是微软公司云与企业组的信息管理和机器学习(IMML)团队的资-深程序经理。Wee-Hyong带来了数十年跨行业和学术的数据库系统经验。在获得博士学位之前,Wee-Hyong是新加坡一个大型电信公司的系统分析师。Wee-Hyong是SQL Server方向的zui有价值专家(MVP),专注于商业智能和数据挖掘领域。他率先在东南亚开展数据挖掘训练营,为IT专家带来知识和技术,使他们可以在他们的组织里使用分析工具把原始数据转成洞察。他加入微软并在SQL Server团队里工作,负责塑造SSIS Server,并在SQL Server 2012里把它从概念变成实现。Wee-Hyong拥有新加坡国立大学的计算机科学的博士学位和计算方面的硕士学位(获得一等荣誉)。他发表过21篇同行评审的学术论文和期刊文章。他是以下书籍的合著者:《Predictive Analytics with Microsoft Azure Machine Learning》《Introducing Microsoft Azure HDInsight》和《Microsoft SQL Server 2012 Integration Services》。

图书目录

目 录


第1部分 数据科学和Microsoft Azure Machine Learning导论
第1章 数据科学导论\t3
1.1 数据科学是什么\t3
1.2 分析频谱\t4
1.2.1 描述性分析\t4
1.2.2 诊断性分析\t5
1.2.3 预测性分析\t5
1.2.4 规定性分析\t5
1.3 为何重要,为何现在\t6
1.3.1 把数据看作竞争资产\t6
1.3.2 客户需求的增长\t6
1.3.3 对数据挖掘技术认识的提高\t7
1.3.4 访问更多数据\t7
1.3.5 更快、更廉价的处理能力\t7
1.3.6 数据科学流程\t8
1.4 常见数据科学技术\t10
1.4.1 分类算法\t10
1.4.2 聚类算法\t11
1.4.3 回归算法\t12
1.4.4 模拟\t12
1.4.5 内容分析\t12
1.4.6 推荐引擎\t13
1.5 数据科学的前沿\t13
1.6 小结\t14
第2章 Microsoft Azure Machine
Learning导论\t15
2.1 你好,Machine Learning Studio\t15
2.2 实验的组件\t16
2.3 Gallery简介\t17
2.4 创建训练实验的5个简单步骤\t18
2.4.1 第1步:获取数据\t19
2.4.2 第2步:预处理数据\t20
2.4.3 第3步:定义特征\t22
2.4.4 第4步:选择和应用学习
算法\t23
2.4.5 第5步:在新数据之上做
预测\t24
2.5 在生产环境里部署你的模型\t26
2.5.1 创建预测实验\t26
2.5.2 把你的实验发布成Web
服务\t28
2.5.3 访问Azure Machine Learning的
Web服务\t28
2.6 小结\t30
第3章 数据准备\t31
3.1 数据清理和处理\t31
3.1.1 了解你的数据\t32
3.1.2 缺失值和空值\t37
3.1.3 处理重复记录\t38
3.1.4 识别并移除离群值\t39
3.1.5 特征归一化\t40
3.1.6 处理类别不均\t41
3.2 特征选择\t43
3.3 特征工程\t46
3.3.1 分装数据\t48
3.3.2 维度灾难\t50
3.4 小结\t53
第4章 整合R\t54
4.1 R概览\t54
4.2 构建和部署你的首个R脚本\t56
4.3 使用R进行数据预处理\t59
4.4 使用脚本包(ZIP)\t61
4.5 使用R构建和部署决策树\t64
4.6 小结\t68
第5章 整合Python\t69
5.1 概览\t69
5.2 Python快速上手\t70
5.3 在Azure ML实验里使用Python\t71
5.4 使用Python进行数据预处理\t76
5.4.1 使用Python合并数据\t76
5.4.2 使用Python处理缺失值\t79
5.4.3 使用Python进行特征选择\t80
5.4.4 在Azure ML实验里运行
Python代码\t82
5.5 小结\t86
第2部分 统计学和机器学习算法
第6章 统计学和机器学习算法概览\t89
6.1 回归算法\t89
6.1.1 线性回归\t89
6.1.2 神经网络\t90
6.1.3 决策树\t92
6.1.4 提升决策树\t93
6.2 分类算法\t94
6.2.1 支持向量机\t95
6.2.2 贝叶斯点机\t96
6.3 聚类算法\t97
6.4 小结\t99
第3部分 实用应用程序
第7章 构建客户倾向模型\t103
7.1 业务问题\t103
7.2 数据获取和准备\t104
7.3 训练模型\t109
7.4 模型测试和验证\t111
7.5 模型的性能\t112
7.6 确定评估指标的优先级\t115
7.7 小结\t116
第8章 使用Power BI可视化你的
模型\t117
8.1 概览\t117
8.2 Power BI简介\t117
8.3 使用Power BI可视化的三种
方案\t119
8.4 在Azure Machine Learning里给你的
数据评分,并在Excel里可视化\t120
8.5 在Excel里评分并可视化你的
数据\t123
8.6 在Azure Machine Learning里给你的
数据评分,并在powerbi.com里
可视化\t124
8.6.1 加载数据\t125
8.6.2 构建你的仪表板\t125
8.7 小结\t127
第9章 构建流失模型\t128
9.1 流失模型概览\t128
9.2 构建和部署客户流失模型\t129
9.2.1 准备和了解数据\t129
9.2.2 数据预处理和特征选择\t132
9.2.3 用于预测流失的分类模型\t135
9.2.4 评估客户流失模型的性能\t137
9.3 小结\t138
第10章 客户细分模型\t139
10.1 客户细分模型概览\t139
10.2 构建和部署你的第一个K均值聚
类模型\t140
10.2.1 特征散列\t142
10.2.2 找出合适的特征\t142
10.2.3 K均值聚类算法的属性\t144
10.3 批发客户的客户细分\t145
10.3.1 从UCI机器学习库加载
数据\t145
10.3.2 使用K均值聚类算法进行批发
客户细分\t146
10.3.3 新数据的聚类分配\t147
10.4 小结\t148
第11章 构建预见性维护模型\t149
11.1 概览\t149
11.2 预见性维护场景\t150
11.3 业务问题\t150
11.4 数据获取和准备\t151
11.4.1 数据集\t151
11.4.2 数据加载\t151
11.4.3 数据分析\t151
11.5 训练模型\t154
11.6 模型测试和验证\t155
11.7 模型性能\t156
11.8 改善模型的技术\t158
11.9 模型部署\t161
11.9.1 创建预测实验\t161
11.9.2 把你的实验部署成Web
服务\t162
11.10 小结\t163
第12章 推荐系统\t164
12.1 概览\t164
12.2 推荐系统的方案和场景\t164
12.3 业务问题\t165
12.4 数据获取和准备\t166
12.5 训练模型\t170
12.6 模型测试和验证\t171
12.7 小结\t175
第13章 使用和发布Azure Marketplace
上的模型\t176
13.1 什么是机器学习API\t176
13.2 如何使用Azure Marketplace的
API\t178
13.3 在Azure Marketplace里发布你
自己的模型\t182
13.4 为你的机器学习模型创建和
发布Web服务\t182
13.4.1 创建评分实验\t183
13.4.2 把你的实验发布成Web
服务\t183
13.5 获取API密钥和OData端点
信息\t184
13.6 把你的模型发布为Azure
Marketplace里的API\t184
13.7 小结\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 示例场景\t189
14.4 小结\t190

本目录推荐