增強型分析：AI驅動的數據分析、業務決策與案例實踐 pdf epub mobi txt 電子書 下載2025

想要找書就要到 小美書屋

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

增強型分析是數據科學的未來，本書講解瞭如何通過前沿的大數據技術和AI技術實現智能的數據分析和業務決策，即增強型分析。

本書的三位作者是來自德勤、前華為和前IBM的資深數據科學傢，在大數據和AI領域至少都有10年以上的工作經驗，他們將各自多年來在“構建數據挖掘模型，解決實際業務問題”方麵積纍的經驗全部總結在瞭這本書中。

全書的內容由兩條主綫貫穿：

技術主綫：一方麵講解瞭預測模型、序列分析、預測分析、Prescriptive分析等前沿數據處理技術，一方麵講解瞭CNN、RNN和GNN等前沿的AI技術如何為數據分析賦能。

業務主綫：在數字化轉型的大時代背景下，如何通過數據分析實現智慧營銷、智慧風險管控，實現由初級的“主動營銷”到“被動營銷”，再到“全渠道協同營銷”等營銷手段的升級應用。

本書的重點聚焦在本質內容上，即數據處理、算法及模型、“模型洞見到業務決策”的分析等。

全書共8章：

第1章：作者結閤自己的從業經驗介紹瞭數據科學傢的職業生涯發展、工作模式和工作方法要點等內容，為有誌成為數據科學傢的讀者指明瞭道路和方嚮；

第2章：從描述性分析的角度講解瞭數據探索、數據預處理衍生指標加工方麵的技巧；

第3章：介紹瞭預測類模型構建時的新方法、新思路、新工具；

第4章：講解瞭序列分析的相關內容，包括序列模式、序列規則、序列預測等的挖掘與應用，用實例的方式說明瞭算法的原理、特點和使用技巧；

第5章：介紹瞭人工智能下一個階段的重點領域，即如何應用數據分析做齣最優決策；

第6~8章：通過與傳統模型的對比，介紹瞭CNN、RNN、GNN等算法的原理，通過大量的實例說明瞭這些AI技術在數據分析與決策領域的用法和實際效果。

彭鴻濤

德勤企業谘詢總監兼首席數據科學傢，德勤全球AI團隊核心成員，德勤數字化轉型、智慧營銷、智慧風控、客戶體驗等核心谘詢服務方案的資深顧問。

2008年加入SPSS並與跨國傢團隊一起進行Analytical Decision Management決策自動化工具的開發，與國內外團隊一起構建瞭SPSS在不同應用領域的解決方案，其中某些方案現已成長為IBM的知名解決方案；2014年加入IBM GBSC部門，領導數據分析團隊，針對不同客戶設計和實施數據分析的方案；2016年加入IBM GBS GBS Cognitive Business Decision Support擔任CTO和首席數據科學傢，領導團隊開發實施瞭有一定行業影響力的人工智能應用；2017年加入德勤企業谘詢擔任金融服務總監及首席數據科學傢，領導團隊開拓數字化轉型背景下的新型谘詢服務方案，期間高質量交付大型銀行的數字化轉型及實施相關項目並得到客戶高度認可。

張宗耀

上海全應科技有限公司資深數據科學傢，前華為企業智能部門資深數據科學傢，前IBM SPSS 算法組件團隊資深算法工程師。

2009年加入IBM SPSS算法組件團隊，負責Statistic和Modeler産品的升級和維護；2012年開始大數據算法組件的設計和開發，為分布式分析引擎提供瞭核心計算單元，主導完成開發瞭分布式平颱下的廣義綫性模型、自動建模算法、ADMM優化算法等，打造瞭分析引擎平颱以及SPSS Modeler産品的最具競爭力算法模塊；2015年開始投入Spark分布式框架的算法設計和開發，主導完成開發瞭生存分析算法、時間序列相關算法等，豐富瞭SPSS産品的核心算法組件。2016年加入華為，先後就職於華為的數據挖掘團隊，以及企業智能部門的機器學習服務團隊和工業解決方案團隊，負責算法、機器學習、實時預測、數據分析，以及行業解決方案的設計、開發和部署相關的工作。

聶磊

陝西萬禾數字科技有限公司CTO，前IBM SPSS 資深數據科學傢，前IBM Watson Analytics數據分析引擎技術主管及架構師。

2008 年加入IBM Analytical Decision Management團隊，主導開發瞭業務規則引擎和基於優化技術的預測性維護解決方案；2014年加入IBM Watson Analytics團隊，擔任技術主管兼架構師，主導瞭IBM Watson Analytics數據分析引擎基於Spark技術的轉換，極大提高瞭平颱的計算能力；2017年擔任IBM Cognos Analytics團隊架構師，主持瞭自動化技術的引入

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)