python数据预测_预测分析：Python语言实现

预测分析：Python语言实现

作者：（美）约瑟夫·巴布科克（Joseph Babcock） 著

出版日期：2017年06月

文件大小：48.80M

支持设备：

￥40.00在线试读

适用客户端：

言商书局

iPad/iPhone客户端：下载 Android客户端：下载PC客户端：下载更多详情：查看

？对图书下载、阅读卡购买有疑问：立即进入帮助中心>>

图书简介

目录

本书着重介绍预测性分析技术，先概述了数据分析系统的基本架构和主要处理流程，然后从分类和无监督学习开始，逐一讲解每种机器学习算法的工作原理，并在每章的最后给出了详细的案例讨论。高质量的数据是能够进行正确分析的前提，为了便于后期分析模型的构建，本书还会介绍对于不同类型数据的清洗和过滤等内容。通过学习本书的内容，读者将了解将原始数据转化为重要结论的过程，并掌握快速将其中涉及的模型应用到自有数据中的方法。

译者序

前言

第1章　数据转换成决策——从分析应用着手

1.1　设计高级分析方案

1.1.1　数据层：数据仓库、数据湖和数据流

1.1.2　模型层

1.1.3　部署层

1.1.4　报告层

1.2　案例学习：社交媒体数据的情感分析

1.2.1　数据输入和转换

1.2.2　合理性检查

1.2.3　模型开发

1.2.4　评分

1.2.5　可视化和报告

1.3　案例学习：针对性电子邮件活动

1.3.1　数据输入和转换

1.3.2　合理性检查

1.3.3　模型开发

1.3.4　评分

1.3.5　可视化和报告

1.4　总结

第2章　Python数据分析和可视化初探

2.1　在IPython中探索分类和数值型数据

2.1.1　安装IPython notebook

2.1.2　notebook的界面

2.1.3　加载和检视数据

2.1.4　基本操作——分组、过滤、映射以及透视

2.1.5　用Matplotlib绘制图表

2.2　时间序列分析

2.2.1　清洗和转换

2.2.2　时间序列诊断

2.2.3　连接信号和相关性

2.3　操作地理数据

2.3.1　加载地理数据

2.3.2　工作在云上

2.4　PySpark简介

2.4.1　创建SparkContext

2.4.2　创建RDD

2.4.3　创建Spark DataFrame

2.5　总结

第3章　在噪声中探求模式——聚类和无监督学习

3.1　相似性和距离度量

3.1.1　数值距离度量

3.1.2　相关相似性度量和时间序列

3.1.3　分类数据的相似性度量

3.1.4　k-均值聚类

3.2　近邻传播算法——自动选择聚类数量

3.3　k-中心点算法

3.4　凝聚聚类算法

3.5　Spark中的数据流聚类

3.6　总结

第4章　从点到模型——回归方法

4.1　线性回归

4.1.1　数据准备

4.1.2　模型拟合和评价

4.1.3　回归输出的显著性差异

4.1.4　广义估计方程

4.1.5　混合效应模型

4.1.6　时间序列数据

4.1.7　广义线性模型

4.1.8　线性模型的正则化

4.2　树方法

4.2.1　决策树

4.2.2　随机森林

4.3　利用PySpark进一步扩展——预测歌曲的发行年份

4.4　总结

第5章　数据分类——分类方法和分析

5.1　逻辑回归

5.1.1　多分类逻辑分类器：多元回归

5.1.2　分类问题中的数据格式化

5.1.3　基于随机梯度下降法的学习逐点更新

5.1.4　使用二阶方法联合优化所有参数

5.2　拟合模型

5.3　评估分类模型

5.4　通过支持向量机分离非线性边界

5.4.1　人口普查数据的拟合和SVM

5.4.2　Boosting：组合小模型以改善准确度

5.4.3　梯度提升决策树

5.5　分类方法比较

5.6　案例学习：在PySpark中拟合分类器模型

5.7　总结

第6章　词语和像素——非结构化数据分析

6.1　文本数据分析

6.1.1　文本数据清洗

6.1.2　从文本数据中提取特征

6.1.3　利用降维来简化数据集

6.2　主分量分析

6.2.1　隐含狄利克雷分布

6.2.2　在预测模型中使用降维

6.3　图像

6.3.1　图像数据清洗

6.3.2　利用图像阈值来突出显示对象

6.3.3　图像分析中的降维

6.4　案例学习：在PySpark中训练一个推荐系统

6.5　总结

第7章　自底向上学习——深度网络和无监督特征

7.1　使用神经网络学习模式

7.1.1　单一感知器构成的网络

7.1.2　感知器组合——一个单层神经网络

7.1.3　反向传播的参数拟合

7.1.4　判别式模型与生成式模型

7.1.5　梯度消失及“解去”

7.1.6　预训练信念网络（贝叶斯网络）

7.1.7　使用dropout来正则化网络

7.1.8　卷积网络和纠正单元

7.1.9　利用自编码网络压缩数据

7.1.10　优化学习速率

7.2　TensorFlow库与数字识别

7.2.1　MNIST数据

7.2.2　构建网络

7.3　总结

第8章　利用预测服务共享模型

8.1　预测服务的架构

8.2　客户端和发出请求

8.2.1　GET请求

8.2.2　POST请求

8.2.3　HEAD请求

8.2.4　PUT请求

8.2.5　DELETE请求

8.3　服务器——Web交通控制器

8.4　利用数据库系统持久化存储信息

8.5　案例学习——逻辑回归服务

8.5.1　建立数据库

8.5.2　Web服务器

8.5.3　Web应用

8.6　总结

第9章　报告和测试——分析型系统迭代

9.1　利用诊断检查模型的健康度

9.1.1　评估模型性能的变化

9.1.2　特征重要性的变化

9.1.3　无监督模型性能的变化

9.2　通过A/B测试对模型进行迭代

9.2.1　实验分配——将客户分配给实验

9.2.2　决定样本大小

9.2.3　多重假设检验

9.3　沟通指南

9.3.1　将术语转换为业务价值

9.3.2　可视化结果

9.3.3　报告服务器

9.3.4　报告应用

9.3.5　可视化层

9.4　总结