互联网 类型
可以朗读 语音朗读
173千字 字数
2022-08-01 发行日期
展开全部

主编推荐语

本书先介绍预测分析的重要概念和原则，然后给出一系列的代码示例和算法讲解，进而用Python工具构建高性能的预测分析解决方案。

内容简介

全书所涵盖的内容包括预测分析过程、理解问题和准备数据、理解数据集—探索性数据分析、基于机器学习的数值预测、基于机器学习的类别预测、调整模型和提高性能、基于Dash的模型实现等。

本书适合想要学习预测建模并对用Python工具实现预测分析解决方案感兴趣的数据分析师、数据科学家、数据工程师和Python开发人员阅读，也适合对预测分析感兴趣的读者参考。

目录

  • 版权信息
  • 内容提要
  • 前言
  • 审阅者简介
  • 译者简介
  • 作者简介
  • 第1章 预测分析过程
  • 1.1 技术要求
  • 1.2 什么是预测分析
  • 1.3 回顾预测分析的重要概念
  • 1.4 预测分析过程
  • 1.4.1 理解问题和定义问题
  • 1.4.2 收集数据和准备数据
  • 1.4.3 使用EDA挖掘数据信息
  • 1.4.4 构建模型
  • 1.4.5 评价模型
  • 1.4.6 沟通以及/或者部署
  • 1.4.7 CRISP-DM和其他方法
  • 1.5 Python数据科学栈概述
  • 1.5.1 Anaconda
  • 1.5.2 Jupyter Notebook
  • 1.5.3 NumPy
  • 1.5.4 SciPy
  • 1.5.5 pandas
  • 1.5.6 Matplotlib
  • 1.5.7 Seaborn
  • 1.5.8 scikit-learn
  • 1.5.9 TensorFlow和Keras
  • 1.5.10 Dash
  • 1.6 小结
  • 扩展阅读
  • 第2章 理解问题和准备数据
  • 2.1 技术要求
  • 2.2 理解业务问题并提出解决方案
  • 2.2.1 背景决定一切
  • 2.2.2 定义预测内容
  • 2.2.3 明确项目需要的数据
  • 2.2.4 考虑数据访问
  • 2.2.5 提出解决方案
  • 2.3 实践项目
  • 2.3.1 钻石的价格——理解问题和定义问题
  • 2.3.2 更多背景知识
  • 2.3.3 钻石的价格——提出解决方案
  • 2.3.4 钻石的价格——收集数据和准备数据
  • 2.4 实践项目
  • 2.4.1 信用卡违约——理解问题和定义问题
  • 2.4.2 信用卡违约——提出解决方案
  • 2.4.3 信用卡违约——收集数据和准备数据
  • 2.5 小结
  • 扩展阅读
  • 第3章 理解数据集
  • 3.1 技术要求
  • 3.2 什么是EDA
  • 3.3 一元EDA
  • 3.3.1 数值特征的一元EDA
  • 3.3.2 分类特征的一元EDA
  • 3.4 二元EDA
  • 3.4.1 两个数值特征
  • 3.4.2 两个分类特征
  • 3.4.3 一个数值特征和一个分类特征
  • 3.5 图形化的多元EDA
  • 3.6 小结
  • 扩展阅读
  • 第4章 基于机器学习的数值预测
  • 4.1 技术要求
  • 4.2 机器学习简介
  • 4.2.1 监督学习中的任务
  • 4.2.2 创建第一个机器学习模型
  • 4.2.3 机器学习的目标——泛化
  • 4.2.4 过拟合
  • 4.2.5 评价函数和最优化
  • 4.3 建模之前的实际考虑
  • 4.3.1 scikit-learn简介
  • 4.3.2 进一步的特征变换
  • 4.4 多元线性回归
  • 4.5 LASSO回归
  • 4.6 kNN
  • 4.7 训练与测试误差
  • 4.8 小结
  • 扩展阅读
  • 第5章 基于机器学习的分类预测
  • 5.1 技术要求
  • 5.2 分类任务
  • 预测分类和概率
  • 5.3 信用卡违约数据集
  • 5.4 逻辑回归
  • 5.4.1 一个简单的逻辑回归模型
  • 5.4.2 完整的逻辑回归模型
  • 5.5 分类树
  • 5.5.1 分类树的工作原理
  • 5.5.2 分类树的优点和缺点
  • 5.5.3 训练更大的分类树
  • 5.6 随机森林
  • 5.7 训练误差对测试误差
  • 5.8 多元分类
  • 5.9 朴素贝叶斯分类器
  • 5.9.1 条件概率
  • 5.9.2 贝叶斯定理
  • 5.9.3 回到分类问题
  • 5.9.4 高斯朴素贝叶斯
  • 5.10 小结
  • 扩展阅读
  • 第6章 面向预测分析的神经网络简介
  • 6.1 技术要求
  • 6.2 引入神经网络模型
  • 6.2.1 深度学习
  • 6.2.2 MLP的结构——神经网络模型的组成部分
  • 6.2.3 MLP的学习原理
  • 6.3 TensorFlow和Keras简介
  • 6.3.1 TensorFlow
  • 6.3.2 Keras——以人为本的深度学习
  • 6.4 基于神经网络的回归
  • 6.4.1 构建预测钻石价格的MLP
  • 6.4.2 训练MLP
  • 6.4.3 基于神经网络的预测
  • 6.5 基于神经网络的分类
  • 6.5.1 构建预测信用卡违约的MLP
  • 6.5.2 评价预测
  • 6.6 训练神经网络模型的“黑暗艺术”
  • 6.6.1 决策太多，时间太少
  • 6.6.2 神经网络的正则化
  • 6.6.3 训练神经网络模型的实用技巧
  • 6.7 小结
  • 扩展阅读
  • 第7章 模型评价
  • 7.1 技术要求
  • 7.2 回归模型的评价
  • 7.2.1 评价回归模型的指标
  • 7.2.2 评价回归模型的可视化方法
  • 7.3 评价分类模型
  • 7.3.1 混淆矩阵及相关指标
  • 7.3.2 评价分类模型的可视化方法
  • 7.4 k折交叉验证
  • 7.5 小结
  • 扩展阅读
  • 第8章 调整模型和提高性能
  • 8.1 技术要求
  • 8.2 超参数调整
  • 8.2.1 优化单个超参数
  • 8.2.2 优化多个超参数
  • 8.3 提高性能
  • 8.3.1 改进钻石价格预测
  • 8.3.2 是技术问题，更是业务问题
  • 8.4 小结
  • 第9章 基于Dash的模型实现
  • 9.1 技术要求
  • 9.2 模型沟通和/或部署阶段
  • 9.2.1 使用技术报告
  • 9.2.2 说明现有应用程序的功能
  • 9.2.3 分析应用程序
  • 9.3 Dash简介
  • 9.3.1 什么是Dash
  • 9.3.2 Plotly
  • 9.3.3 安装
  • 9.3.4 应用程序布局
  • 9.3.5 构建基本的静态App
  • 9.3.6 构建基本的交互式App
  • 9.4 将预测模型实现为网络应用程序
  • 9.4.1 生成预测模型对象
  • 9.4.2 构建网络应用程序
  • 9.5 小结
  • 扩展阅读
展开全部

评分及书评

评分不足
1个评分
  • 用户头像
    给这本书评了
    5.0
    Python建模课外书推荐

    今年学习了 Python 编程语言、建模到参加过竞赛。这本书是在得到完整看完的第二本 Python 编程书籍📚。或许是因为自己有基础，所以看这本书的时候更多是帮助我回顾我所学过的知识。非常推荐给给点基础并且想要建模的小伙伴。

      转发
      评论

    出版方

    人民邮电出版社

    人民邮电出版社是工业和信息化部主管的大型专业出版社，成立于1953年10月1日。人民邮电出版社坚持“立足信息产业、面向现代社会、传播科学知识、服务科教兴国”，致力于通信、计算机、电子技术、教材、少儿、经管、摄影、集邮、旅游、心理学等领域的专业图书出版。