《Microsoft Azure機器學習和預測分析》是2018年7月人民郵電出版社出版的圖書，作者是[[美]]Roger Barga 巴爾加、[美]Valentine Fontama 豐塔瑪、[新加坡]Wee Hyong Tok 卓偉雄。
基本介紹
- 中文名：Microsoft Azure機器學習和預測分析
- 作者：[美]]Roger Barga 巴爾加、[美]Valentine Fontama 豐塔瑪、[新加坡]Wee Hyong Tok
- 出版社：人民郵電出版社
- 出版時間：2018年7月
- 頁數：190 頁
- 定價：59 元
- 開本：16 開
- 裝幀：平裝
- ISBN：9787115458483
內容簡介,圖書目錄,
內容簡介
近年來，機器學習領域受到越來越多的關注，相關的機器學習算法開始成為熱點。本書專門介紹了有關機器學習的內容，全書共分3部分：第 1部分是數據科學和Microsoft Azure Machine Learning導論，介紹了數據科學和Microsoft Azure Machine Learning的基本知識以及需要用到的語言的基本知識；第 二部分是統計學和機器學習算法，系統地講解了統計學和機器學習的相關算法；第三部分是實用應用程式，這一部分介紹了新的微軟Azure機器學習服務，講解如何高效構建和部署預測模型，還講解了如何解決傾向建模、產品推薦等實用技能。
本書可供數據科學、商業分析和商業智慧型領域的開發人員，對機器學習感興趣的開發者閱讀。
圖書目錄
第 1部分 數據科學和Microsoft Azure Machine Learning導論
第 1章 數據科學導論 3
1.1 數據科學是什麼 3
1.2 分析頻譜 4
1.2.1 描述性分析 4
1.2.2 診斷性分析 5
1.2.3 預測性分析 5
1.2.4 規定性分析 5
1.3 為何重要，為何現在 6
1.3.1 把數據看作競爭資產 6
1.3.2 客戶需求的增長 6
1.3.3 對數據挖掘技術認識的提高 7
1.3.4 訪問更多數據 7
1.3.5 更快、更廉價的處理能力 7
1.3.6 數據科學流程 8
1.4 常見數據科學技術 10
1.4.1 分類算法 10
1.4.2 聚類算法 11
1.4.3 回歸算法 12
1.4.4 模擬 12
1.4.5 內容分析 12
1.4.6 推薦引擎 13
1.5 數據科學的前沿 13
1.6 小結 14
第 2章 Microsoft Azure Machine
Learning導論 15
2.1 你好，Machine Learning Studio 15
2.2 實驗的組件 16
2.3 Gallery簡介 17
2.4 創建訓練實驗的5個簡單步驟 18
2.4.1 第 1步：獲取數據 19
2.4.2 第 2步：預處理數據 20
2.4.3 第3步：定義特徵 22
2.4.4 第4步：選擇和套用學習
算法 23
2.4.5 第5步：在新數據之上做
預測 24
2.5 在生產環境裡部署你的模型 26
2.5.1 創建預測實驗 26
2.5.2 把你的實驗發布成Web
服務 28
2.5.3 訪問Azure Machine Learning的
Web服務 28
2.6 小結 30
第3章 數據準備 31
3.1 數據清理和處理 31
3.1.1 了解你的數據 32
3.1.2 缺失值和空值 37
3.1.3 處理重複記錄 38
3.1.4 識別並移除離群值 39
3.1.5 特徵歸一化 40
3.1.6 處理類別不均 41
3.2 特徵選擇 43
3.3 特徵工程 46
3.3.1 分裝數據 48
3.3.2 維度災難 50
3.4 小結 53
第4章 整合R 54
4.1 R概覽 54
4.2 構建和部署你的首 個R腳本 56
4.3 使用R進行數據預處理 59
4.4 使用腳本包（ZIP） 61
4.5 使用R構建和部署決策樹 64
4.6 小結 68
第5章 整合Python 69
5.1 概覽 69
5.2 Python快速上手 70
5.3 在Azure ML實驗裡使用Python 71
5.4 使用Python進行數據預處理 76
5.4.1 使用Python合併數據 76
5.4.2 使用Python處理缺失值 79
5.4.3 使用Python進行特徵選擇 80
5.4.4 在Azure ML實驗裡運行
Python代碼 82
5.5 小結 86
第 2部分 統計學和機器學習算法
第6章 統計學和機器學習算法概覽 89
6.1 回歸算法 89
6.1.1 線性回歸 89
6.1.2 神經網路 90
6.1.3 決策樹 92
6.1.4 提升決策樹 93
6.2 分類算法 94
6.2.1 支持向量機 95
6.2.2 貝葉斯點機 96
6.3 聚類算法 97
6.4 小結 99
第3部分 實用應用程式
第7章 構建客戶傾向模型 103
7.1 業務問題 103
7.2 數據獲取和準備 104
7.3 訓練模型 109
7.4 模型測試和驗證 111
7.5 模型的性能 112
7.6 確定評估指標的優先權 115
7.7 小結 116
第8章 使用Power BI可視化你的
模型 117
8.1 概覽 117
8.2 Power BI簡介 117
8.3 使用Power BI可視化的三種
方案 119
8.4 在Azure Machine Learning里給你的
數據評分，並在Excel里可視化 120
8.5 在Excel里評分並可視化你的
數據 123
8.6 在Azure Machine Learning里給你的
數據評分，並在powerbi.com里
可視化 124
8.6.1 載入數據 125
8.6.2 構建你的儀錶板 125
8.7 小結 127
第9章 構建流失模型 128
9.1 流失模型概覽 128
9.2 構建和部署客戶流失模型 129
9.2.1 準備和了解數據 129
9.2.2 數據預處理和特徵選擇 132
9.2.3 用於預測流失的分類模型 135
9.2.4 評估客戶流失模型的性能 137
9.3 小結 138
第 10章 客戶細分模型 139
10.1 客戶細分模型概覽 139
10.2 構建和部署你的第 一個K均值聚
類模型 140
10.2.1 特徵散列 142
10.2.2 找出合適的特徵 142
10.2.3 K均值聚類算法的屬性 144
10.3 批發客戶的客戶細分 145
10.3.1 從UCI機器學習庫載入
數據 145
10.3.2 使用K均值聚類算法進行批發
客戶細分 146
10.3.3 新數據的聚類分配 147
10.4 小結 148
第 11章 構建預見性維護模型 149
11.1 概覽 149
11.2 預見性維護場景 150
11.3 業務問題 150
11.4 數據獲取和準備 151
11.4.1 數據集 151
11.4.2 數據載入 151
11.4.3 數據分析 151
11.5 訓練模型 154
11.6 模型測試和驗證 155
11.7 模型性能 156
11.8 改善模型的技術 158
11.9 模型部署 161
11.9.1 創建預測實驗 161
11.9.2 把你的實驗部署成Web
服務 162
11.10 小結 163
第 12章 推薦系統 164
12.1 概覽 164
12.2 推薦系統的方案和場景 164
12.3 業務問題 165
12.4 數據獲取和準備 166
12.5 訓練模型 170
12.6 模型測試和驗證 171
12.7 小結 175
第 13章 使用和發布Azure Marketplace
上的模型 176
13.1 什麼是機器學習API 176
13.2 如何使用Azure Marketplace的
API 178
13.3 在Azure Marketplace里發布你
自己的模型 182
13.4 為你的機器學習模型創建和
發布Web服務 182
13.4.1 創建評分實驗 183
13.4.2 把你的實驗發布成Web
服務 183
13.5 獲取API密鑰和OData端點
信息 184
13.6 把你的模型發布為Azure
Marketplace里的API 184
13.7 小結 186
第 14章 Cortana分析 187
14.1 Cortana分析套件是什麼 187
14.2 Cortana分析套件的功能 187
14.3 示例場景 189
14.4 小結 190
