预测分析_(美) 约瑟夫·巴布科克著_9787111573890

预测分析

定价：¥59

中教价：¥47.20 (8.00折）

库存数： 0

丛书名：数据科学与工程技术丛书

购买数量：

    本书着重介绍预测性分析技术，先概述了数据分析系统的基本架构和主要处理流程，然后从分类和无监督学习开始，逐一讲解每种机器学习算法的工作原理，并在每一章的最后给出了详细的案例讨论。高质量的数据是能够进行正确分析的前提，为了便于后期分析模型的构建，本书还会介绍对于不同类型数据的清洗和过滤等内容。通过学习本书的内容，读者将了解将原始数据转化为重要结论的过程，并掌握快速将其中涉及的模型应用到自有数据中的方法。

前言

通过学习本书，你将逐步掌握将原始数据转化为重要结论的过程。本书所涉及的大量案例学习和代码样例，均使用现下流行的开源Python库，阐述了分析应用完整的开发过程。详细的案例讲述了常见应用场合下健壮、可扩展的应用。你将学会如何快速将这些模型应用到自己的数据中去。

本书内容第1章讲述了如何描述一个分析管道中的核心组件以及组件间的交互方式，也探讨了批处理和流处理之间的区别，以及每种应用最适用的一些情况，还讲解了基于两种范式的基础应用样例以及每一步所需的设计决策。第2章讨论了着手搭建分析型应用所需完成的诸多工作。运用IPython notebook，我们讨论了如何使用pandas将文件中的数据上传到数据帧中、重命名数据集中的列名、过滤掉不想要的行、转换类型以及创建新的列。另外，我们将整合不同来源的数据，并使用聚合和旋转进行一些基本的统计分析。第3章将演示如何将一个数据集里的相似项定义成组。这种探索性分析是我们在理解新数据集过程中经常第一个使用的。我们探索计算数据点值间相似性的不同方法，并描述这些度量可能最适合于哪些数据。我们既探讨分裂聚类算法（将数据分解成一组一组更小的部分），也探讨凝聚聚类算法（每个数据点都是一个聚类的开始）。通过一系列数据集，我们将展示每种算法在哪些情景下性能更好或者更差，以及如何优化它们。我们也看到了首个（比较小的）数据管道——PySpark中基于流数据的聚类应用。第4章探讨了几种回归模型拟合模型，包括将输入参数调整到正确数值范围并对类别特征做出正确说明。我们对线性回归进行拟合、评估，也包括正则化回归模型。我们还研究树回归模型的用处，以及如何优化参数选项来拟合模型。最后，我们会讨论一个基于PySpark的简单随机森林模型，该模型也可以用于更大的数据集。第5章阐述了如何使用分类模型并介绍几种提升模型性能的策略。除了转换类别特征之外，我们讨论了如何利用ROC曲线对逻辑回归准确性进行解释。为了尝试提升模型的性能，我们讲解了SVM的用处。最后，我们将使用梯度提升决策树算法，以期在测试数据集上可以取得较好的性能。第6章讨论复杂的、非结构化的数据。其中还涉及了降维技术（例如HashingVectorizer）、矩阵分解（例如PCA、CUR和NMR）以及概率模型（例如LDA），讨论了图像数据，包括标准化操作和阈值转换操作，并介绍如何使用降维技术找出图像之间的共同模式。第7章介绍了将深度神经网络作为一种生成模型的方法，来处理那些工程师难以处理其特征的复杂数据。我们将研究如何使用反向传播训练神经网络，并探究附加层难以达到最优的原因。第8章描述了一个基本预测服务的三个组件，并探讨这种设计如何使我们与其他用户或者软件系统分享预测模型的结果。第9章介绍几个监控初步设计后预测模型性能的策略。我们也会讨论一些模型的性能或组件会随时间变化的场景。阅读准备你需要安装好最新版的Python、PySpark以及Jupyter notebook。
读者人群本书主要针对业务分析员、BI分析员、数据科学家，或是一些已经掌握高级分析员理论知识的初级数据分析员。通过阅读本书，上述读者将可以运用Python设计并构建高级分析解决方案。读者必须具备基础Python开发经验。

你还可能感兴趣

我要评论

您的姓名	验证码：
留言内容