推薦序一
推薦序二
前言
第1章　數據科學傢的成長之路 1
1.1 算法與數據科學傢 1
1.1.1 數據科學、人工智能、機器學習等 2
1.1.2 室內活動還是室外活動 3
1.2 數據科學傢不斷成長的幾個階段 3
1.2.1 算法——如何構建數據分析模型 5
1.2.2 用法——如何迴頭看模型 6
1.2.3 業務——如何産生更大價值 7
1.2.4 戰略——如何更廣 8
1.3 數據科學傢的工作模式與組織結構 9
1.3.1 數據驅動還是業務驅動 9
1.3.2 數據科學傢團隊的組織結構 9
1.4 數據科學傢的工作方法要點 10
第2章　大數據探索及預處理 13
2.1 大數據探索 13
2.1.1 數值類型 13
2.1.2 連續型數據的探索 14
2.1.3 分類型數據的探索 19
2.1.4 示例：數據探索 20
2.2 數據預處理 26
2.2.1 數據清洗 26
2.2.2 數據變換 29
2.2.3 數據歸約 41
2.3 衍生指標的加工 44
2.3.1 衍生指標概述 45
2.3.2 將數值轉化為百分位數 45
2.3.3 把類彆變量替換為數值 46
2.3.4 多變量組閤 47
2.3.5 從時間序列中提取特徵 47
第3章　預測模型的新技術 49
3.1 集成學習 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的改進方嚮 57
3.3.1 Gradient Tree Boosting的使用要點 57
3.3.2 Regularization 59
3.3.3 XGBoost介紹 60
3.4 模型的最佳參數設置 60
3.5 投票決定最終預測結果 65
3.6 讓模型在訓練結束後還能被更新 66
3.6.1 熱啓動 67
3.6.2 增量學習 67
3.7 多輸齣預測 68
3.7.1 Binary Relevance 69
3.7.2 Classifier Chain 70
3.7.3 Ensemble Classifier Chain 70
3.8 案例：如何給客戶從數百個産品中尋找閤適的産品 71
3.8.1 問題提齣 72
3.8.2 建模思路 72
3.8.3 模型訓練及應用 73
第4章　序列分析 76
4.1 通過客戶行為研究做齣服務策略 76
4.2 頻繁項集、關聯規則的挖掘 77
4.2.1 基本概念 77
4.2.2 頻繁或稀疏項集的挖掘 78
4.2.3 關聯規則的挖掘 86
4.3 序列模式的挖掘以及應用 88
4.3.1 換種視角觀察項間的順序 88
4.3.2 “事無巨細”還是“事有巨細” 89
4.3.3 序列挖掘的相關算法介紹 92
4.3.4 示例：挖掘購買物品的序列模式 96
4.4 序列規則的挖掘以及應用 101
4.4.1 將頻繁序列通過業務解讀轉換為行動指南 101
4.4.2 序列規則的挖掘實現行動指南 102
4.4.3 序列規則的挖掘算法 102
4.4.4 示例：通過客戶購買産品的序列推薦閤適的産品 104
4.5 序列預測的挖掘以及應用 107
4.5.1 序列規則與序列預測的關係 107
4.5.2 序列預測算法的介紹 108
4.5.3 示例：客戶下一步會做什麼 110
第5章　應用數據分析做齣最優決策 114
5.1 Prescriptive分析概述 114
5.1.1 業務分析的3個層次 115
5.1.2 為什麼需要Prescriptive分析 116
5.1.3 什麼時候需要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 優化技術介紹 122
5.4.1 數據挖掘算法中常用的優化技術 122
5.4.2 優化問題求解工具介紹 127
5.4.3 CVXPY優化工具在機器學習算法中的應用 130
5.4.4 應用優化技術尋找最優産品推薦 134
5.5 仿真分析 135
5.5.1 濛特卡洛的介紹 135
5.5.2 采用濛特卡洛方法進行重采樣 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用工具 148
5.6.3 應用馬爾可夫決策過程研究營銷策略及客戶生命周期價值 151
第6章　深入探討CNN 155
6.1 換個角度討論CNN 155
6.1.1 捲積是在做什麼 156
6.1.2 人臉檢測與人臉識彆 159
6.1.3 深度學習意味著什麼 165
6.1.4 CNN的結構 168
6.1.5 CNN的訓練及結果 172
6.2 用CNN做人臉識彆 174
6.2.1 數據加載 175
6.2.2 使用ImageDataGenerator 175
6.2.3 定義模型和訓練模型 176
6.2.4 詳細探究捲積最終的效果 178
6.3 Embedding 181
6.3.1 文本嚮量化的一般方法 181
6.3.2 Word Embedding的原理及實現 186
6.3.3 利用Word Embedding實現翻譯 190
6.3.4 Embedding的用途不止於Word Embedding 192
6.4 一個例子：文本分類 193
6.4.1 采用傳統分類模型實現文本分類 193
6.4.2 采用CNN進行文本分類 196
6.4.3 采用FastText進行文本分類 200
第7章　深入探討RNN 201
7.1 兩種建模方法：Prediction 和 Sequence Labeling 201
7.1.1 Prediction的特點 201
7.1.2 Sequence Labeling的特點 202
7.2 RNN及其變種的詳細原理 203
7.2.1 RNN的Activation 函數 204
7.2.2 RNN 的初級神經元及計算邏輯 205
7.2.3 LSTM的神經元及計算邏輯 205
7.2.4 GRU的神經元與計算邏輯 206
7.2.5 深度RNN的原理 207
7.2.6 RNN算法的輸入輸齣形式 208
7.3 利用LSTM預測股票價格 209
7.3.1 模型構建及驗證 209
7.3.2 模型應用的探討 216
7.4 讓計算機學會寫唐詩 216
7.4.1 構想：如何讓計算機能夠寫齣唐詩 216
7.4.2 構建：模型實現的過程 218
7.5 預測客戶的下一個行為 221
7.5.1 構想：如何利用LSTM實現客戶行為的預測 221
7.5.2 構建：模型實現過程 222
7.6 計算機，請告訴我你看到瞭什麼 226
7.6.1 構想：如何讓計算機生成圖片描述 226
7.6.2 實現：逐步構建圖片描述生成模型 227
7.6.3 VQA 232
第8章　深入探討GAN 235
8.1 基本原理 235
8.1.1 構想 235
8.1.2 GAN的基本結構 237
8.1.3 GAN模型訓練及應用過程 240
8.1.4 GAN原理的再探索 241
8.2 讓計算機書寫數字 243
8.2.1 建模思路 243
8.2.2 基本實現過程 244
8.2.3 采用DCGAN來實現 248
8.3 讓計算機畫一張人臉 251
8.3.1 如何讓計算機理解我們的要求 252
8.3.2 基本實現過程 253
· · · · · · (收起)