TensorFlow预测分析（影印版）

图书标准信息

• 作者 [德]礼萨·卡里姆 编
• 出版社 东南大学出版社
• 出版时间 2018-08
• 版次 1
• ISBN 9787564177522
• 定价 106.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 496页
• 字数 636千字

【内容简介】

从结构化和非结构化数据中预测分析发现隐藏的 模式，可用于商业智能决策。

  礼萨·卡里姆著的《TensorFlow预测分析(影印 版)(英文版)》将通过在三个主要部分中运用Tensor
  Flow，帮助你构建、调优和部署预测模型。**部分 包括预测建模所需的线性代数、统计学和概率论知识 。

  第二部分包括运用监督(分类和回归)和无监督( 聚类)算法开发预测模型。然后介绍如何开发自然语 言处理(NLP)预测模型以及强化学习算法。*后．该 部分讲述如何开发一个基于机器的因式分解**系统 。

  第三部分介绍**预测分析的深度学习架构，包 括深度神经网络以及高维和序列数据的递归神经网络 。*终，使用卷积神经网络进行预测建模，用于情绪 识别、图像分类和情感分析。

【目录】

Preface

Chapter 1: Basic Python and Linear Algebra for

Predictive Analytics

 A basic introduction to predictive analytics

    Why predictive analytics?

    Working principles of a predictive model

 A bit of linear algebra

    Programming linear algebra

 Installing and getting started with Python

    Installing on Windows

    Installing Python on Linux

    Installing and upgrading PIP (or PIP3)

    Installing Python on Mac OS

    Installing packages in Python

 Getting started with Python

    Python data types

    Using strings in Python

    Using lists in Python

    Using tuples in Python

    Using dictionary in Python

    Using sets in Python

    Functions in Python

    Classes in Python

 Vectors, matrices, and graphs

   Vectors

    Matrices

      Matrix addition

      Matrix subtraction

      Finding the determinant of a matrix

    Finding the transpose of a matrix

    Solving simultaneous linear equations

    Eigenvalues and eigenvectors

 Span and linear independence

 Principal component analysis

 Singular value decomposition

    Data compression in a predictive model using SVD

 Predictive analytics tools in Python

 Summary

Chapter 2: Statistics, Probability, and Information Theory for

Predictive Modeling

 Using statistics in predictive modeling

    Statistical models

      Parametric versus nonparametric model

    Population and sample

      Random sampling

      Expectation

    Central limit theorem

      Skewness and data distribution

    Standard deviation and variance

      Covariance and correlation

    Interquartile, range, and quartiles

    Hypothesis testing

      Chi-square tests

      Chi-square independence test

 Basic probability for predictive modeling

    Probability and the random variables

    Generating random numbers and setting the seed

    Probability distributions

      Marginal probability

      Conditional probability

    The chain rule of conditional probability

    Independence and conditional independence

    Bayes' rule

 Using information theory in predictive modeling

    Self-information

      Mutual information

    Entropy

      Shannon entropy

      Joint entropy

      Conditional entropy

      Information gain

    Using information theory

……

Chapter 3: From Data to Decisions - Getting Started with TensorFlow

Chapter 4: Putting Data in Place -Supervised Learning for Predictive Analvtics

Chapter 5: Clustering Your Data - Unsupervised Learning for Predictive Analytics

Chapter 6: Predictive Analytics Pipelines for NLP

Chapter 7: Using Deep Neural Networks for Predictive Analytics

Chapter 8: Using Convolutional Neural Networks for Predictive Analvtics

Chapter 9: Using Recurrent Neural Networks for Predictive Analytics

Chapter 10: Recommendation Systems for Predictive Analytics

Chapter 11： Using Reinforcement Learning for Predictive Analytics