Microsoft Azure机器学习和预测分析 下载 mobi epub pdf 电子书 2024

☆☆☆☆☆
简体网页||繁体网页



点击这里下载

类似图书 点击查看全场最低价

---

编辑推荐

本书是数据科学和机器学习领域的实用教程，专注于构建和部署预测模型，力图帮助你学习如何使用新的微软Azure Machine Learning快速构建和部署复杂的预测模型。

本书全面介绍2015年发布的微软Azure Machine Learning服务，包含构建推荐器、倾向模型以及流失和预见性维护模型的实用指南。本书使用面向任务的描述和具体的端到端示例，确保读者能够快速上手。本书讲述了Azure Machine Learning的各个方面，从数据入口到应用机器学习、评估模型以及把它们部署成Web服务。

书中新增以下精彩内容
● Cortana分析套件；
● Python整合；
● 数据准备和特征选择；
● 使用Power BI的数据可视化；
● 推荐引擎；
● 在Azure市场上销售你的模型。

通过阅读本书，你将能够
● 系统地了解数据科学及其zui佳实践；
● 了解新的微软Azure Machine Learning服务，掌握高效构建和部署预测模型的实用技能，例如，
如何解决倾向建模、流失分析、产品推荐和使用Power BI进行可视化等典型预测分析问题；
● 在Azure市场上销售你的预测模型的实用指南。

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》。

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 3
1．1 数据科学是什么 3
1．2 分析频谱 4
1．2．1 描述性分析 4
1．2．2 诊断性分析 5
1．2．3 预测性分析 5
1．2．4 规定性分析 5
1．3 为何重要，为何现在 6
1．3．1 把数据看作竞争资产 6
1．3．2 客户需求的增长 6
1．3．3 对数据挖掘技术认识的提高 7
1．3．4 访问更多数据 7
1．3．5 更快、更廉价的处理能力 7
1．3．6 数据科学流程 8
1．4 常见数据科学技术 10
1．4．1 分类算法 10
1．4．2 聚类算法 11
1．4．3 回归算法 12
1．4．4 模拟 12
1．4．5 内容分析 12
1．4．6 推荐引擎 13
1．5 数据科学的前沿 13
1．6 小结 14
第2章 Microsoft Azure Machine
Learning导论 15
2．1 你好，Machine Learning Studio 15
2．2 实验的组件 16
2．3 Gallery简介 17
2．4 创建训练实验的5个简单步骤 18
2．4．1 第1步：获取数据 19
2．4．2 第2步：预处理数据 20
2．4．3 第3步：定义特征 22
2．4．4 第4步：选择和应用学习
算法 23
2．4．5 第5步：在新数据之上做
预测 24
2．5 在生产环境里部署你的模型 26
2．5．1 创建预测实验 26
2．5．2 把你的实验发布成Web
服务 28
2．5．3 访问Azure Machine Learning的
Web服务 28
2．6 小结 30
第3章 数据准备 31
3．1 数据清理和处理 31
3．1．1 了解你的数据 32
3．1．2 缺失值和空值 37
3．1．3 处理重复记录 38
3．1．4 识别并移除离群值 39
3．1．5 特征归一化 40
3．1．6 处理类别不均 41
3．2 特征选择 43
3．3 特征工程 46
3．3．1 分装数据 48
3．3．2 维度灾难 50
3．4 小结 53
第4章 整合R 54
4．1 R概览 54
4．2 构建和部署你的首个R脚本 56
4．3 使用R进行数据预处理 59
4．4 使用脚本包（ZIP） 61
4．5 使用R构建和部署决策树 64
4．6 小结 68
第5章 整合Python 69
5．1 概览 69
5．2 Python快速上手 70
5．3 在Azure ML实验里使用Python 71
5．4 使用Python进行数据预处理 76
5．4．1 使用Python合并数据 76
5．4．2 使用Python处理缺失值 79
5．4．3 使用Python进行特征选择 80
5．4．4 在Azure ML实验里运行
Python代码 82
5．5 小结 86
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 89
6．1 回归算法 89
6．1．1 线性回归 89
6．1．2 神经网络 90
6．1．3 决策树 92
6．1．4 提升决策树 93
6．2 分类算法 94
6．2．1 支持向量机 95
6．2．2 贝叶斯点机 96
6．3 聚类算法 97
6．4 小结 99
第3部分 实用应用程序
第7章 构建客户倾向模型 103
7．1 业务问题 103
7．2 数据获取和准备 104
7．3 训练模型 109
7．4 模型测试和验证 111
7．5 模型的性能 112
7．6 确定评估指标的优先级 115
7．7 小结 116
第8章 使用Power BI可视化你的
模型 117
8．1 概览 117
8．2 Power BI简介 117
8．3 使用Power BI可视化的三种
方案 119
8．4 在Azure Machine Learning里给你的
数据评分，并在Excel里可视化 120
8．5 在Excel里评分并可视化你的
数据 123
8．6 在Azure Machine Learning里给你的
数据评分，并在powerbi．com里
可视化 124
8．6．1 加载数据 125
8．6．2 构建你的仪表板 125
8．7 小结 127
第9章 构建流失模型 128
9．1 流失模型概览 128
9．2 构建和部署客户流失模型 129
9．2．1 准备和了解数据 129
9．2．2 数据预处理和特征选择 132
9．2．3 用于预测流失的分类模型 135
9．2．4 评估客户流失模型的性能 137
9．3 小结 138
第10章 客户细分模型 139
10．1 客户细分模型概览 139
10．2 构建和部署你的第一个K均值聚
类模型 140
10．2．1 特征散列 142
10．2．2 找出合适的特征 142
10．2．3 K均值聚类算法的属性 144
10．3 批发客户的客户细分 145
10．3．1 从UCI机器学习库加载
数据 145
10．3．2 使用K均值聚类算法进行批发
客户细分 146
10．3．3 新数据的聚类分配 147
10．4 小结 148
第11章 构建预见性维护模型 149
11．1 概览 149
11．2 预见性维护场景 150
11．3 业务问题 150
11．4 数据获取和准备 151
11．4．1 数据集 151
11．4．2 数据加载 151
11．4．3 数据分析 151
11．5 训练模型 154
11．6 模型测试和验证 155
11．7 模型性能 156
11．8 改善模型的技术 158
11．9 模型部署 161
11．9．1 创建预测实验 161
11．9．2 把你的实验部署成Web
服务 162
11．10 小结 163
第12章 推荐系统 164
12．1 概览 164
12．2 推荐系统的方案和场景 164

12．3 业务问题 165
12．4 数据获取和准备 166
12．5 训练模型 170
12．6 模型测试和验证 171
12．7 小结 175
第13章 使用和发布Azure Marketplace
上的模型 176
13．1 什么是机器学习API 176
13．2 如何使用Azure Marketplace的
API 178
13．3 在Azure Marketplace里发布你
自己的模型 182
13．4 为你的机器学习模型创建和
发布Web服务 182
13．4．1 创建评分实验 183
13．4．2 把你的实验发布成Web
服务 183
13．5 获取API密钥和OData端点
信息 184
13．6 把你的模型发布为Azure
Marketplace里的API 184
13．7 小结 186
第14章 Cortana分析 187
14．1 Cortana分析套件是什么 187
14．2 Cortana分析套件的功能 187
14．3 示例场景 189
14．4 小结 190
Microsoft Azure机器学习和预测分析 下载 mobi epub pdf txt 电子书 格式

评分☆☆☆☆☆

好！

评分☆☆☆☆☆

好！

评分☆☆☆☆☆

好！

评分☆☆☆☆☆

好

评分☆☆☆☆☆

书是好书，就是印刷太差

评分☆☆☆☆☆

内容太简单了

评分☆☆☆☆☆

好

评分☆☆☆☆☆

工作需要，给了我很多帮助。

评分☆☆☆☆☆

工作需要，给了我很多帮助。

类似图书 点击查看全场最低价