Microsoft Azure机器学习和预测分析【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

Microsoft Azure机器学习和预测分析PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1部分 数据科学和Microsoft Azure Machine Learning导论3

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89

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103

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 模型的效能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效能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 模型效能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