Microsoft Azure机器学习和预测分析

图书标准信息

• 作者 李永伦 译
• 出版社 人民邮电出版社
• 出版时间 2017-08
• 版次 01
• ISBN 9787115458483
• 定价 59.00元
• 装帧 平装
• 开本 16开
• 页数 190页
• 正文语种 简体中文

【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 Studio15
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R54
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Python69
5．1  概览69
5．2  Python快速上手70
5．3  在Azure ML实验里使用Python71
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API176
13．2  如何使用Azure Marketplace的
API178
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API184
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