我用夸克网盘分享了「增强型分析：AI驱动的数据分析、业务决策与案例实践.epub」，点击链接即可保存。打开「夸克APP」在线查看，支持多种文档格式转换。

内容简介

增强型分析是数据科学的未来，本书讲解了如何通过前沿的大数据技术和AI技术实现智能的数据分析和业务决策，即增强型分析。 本书的三位作者是来自德勤、前华为和前IBM的资深数据科学家，在大数据和AI领域至少都有10年以上的工作经验，他们将各自多年来在“构建数据挖掘模型，解决实际业务问题”方面积累的经验全部总结在了这本书中。 全书的内容由两条主线贯穿： 技术主线：一方面讲解了预测模型、序列分析、预测分析、Prescriptive分析等前沿数据处理技术，一方面讲解了CNN、RNN和GNN等前沿的AI技术如何为数据分析赋能。 业务主线：在数字化转型的大时代背景下，如何通过数据分析实现智慧营销、智慧风险管控，实现由初级的“主动营销”到“被动营销”，再到“全渠道协同营销”等营销手段的升级应用。 本书的重点聚焦在本质内容上，即数据处理、算法及模型、“模型洞见到业务决策”的分析等。 全书共8章： 第1章：作者结合自己的从业经验介绍了数据科学家的职业生涯发展、工作模式和工作方法要点等内容，为有志成为数据科学家的读者指明了道路和方向； 第2章：从描述性分析的角度讲解了数据探索、数据预处理衍生指标加工方面的技巧； 第3章：介绍了预测类模型构建时的新方法、新思路、新工具； 第4章：讲解了序列分析的相关内容，包括序列模式、序列规则、序列预测等的挖掘与应用，用实例的方式说明了算法的原理、特点和使用技巧； 第5章：介绍了人工智能下一个阶段的重点领域，即如何应用数据分析做出最优决策； 第6~8章：通过与传统模型的对比，介绍了CNN、RNN、GNN等算法的原理，通过大量的实例说明了这些AI技术在数据分析与决策领域的用法和实际效果。

作者简介

彭鸿涛 德勤企业咨询总监兼首席数据科学家，德勤全球AI团队核心成员，德勤数字化转型、智慧营销、智慧风控、客户体验等核心咨询服务方案的资深顾问。 2008年加入SPSS并与跨国家团队一起进行Analytical Decision Management决策自动化工具的开发，与国内外团队一起构建了SPSS在不同应用领域的解决方案，其中某些方案现已成长为IBM的知名解决方案；2014年加入IBM GBSC部门，领导数据分析团队，针对不同客户设计和实施数据分析的方案；2016年加入IBM GBS GBS Cognitive Business Decision Support担任CTO和首席数据科学家，领导团队开发实施了有一定行业影响力的人工智能应用；2017年加入德勤企业咨询担任金融服务总监及首席数据科学家，领导团队开拓数字化转型背景下的新型咨询服务方案，期间高质量交付大型银行的数字化转型及实施相关项目并得到客户高度认可。 张宗耀 上海全应科技有限公司资深数据科学家，前华为企业智能部门资深数据科学家，前IBM SPSS 算法组件团队资深算法工程师。 2009年加入IBM SPSS算法组件团队，负责Statistic和Modeler产品的升级和维护；2012年开始大数据算法组件的设计和开发，为分布式分析引擎提供了核心计算单元，主导完成开发了分布式平台下的广义线性模型、自动建模算法、ADMM优化算法等，打造了分析引擎平台以及SPSS Modeler产品的最具竞争力算法模块；2015年开始投入Spark分布式框架的算法设计和开发，主导完成开发了生存分析算法、时间序列相关算法等，丰富了SPSS产品的核心算法组件。2016年加入华为，先后就职于华为的数据挖掘团队，以及企业智能部门的机器学习服务团队和工业解决方案团队，负责算法、机器学习、实时预测、数据分析，以及行业解决方案的设计、开发和部署相关的工作。 聂磊 陕西万禾数字科技有限公司CTO，前IBM SPSS 资深数据科学家，前IBM Watson Analytics数据分析引擎技术主管及架构师。 2008 年加入IBM Analytical Decision Management团队，主导开发了业务规则引擎和基于优化技术的预测性维护解决方案；2014年加入IBM Watson Analytics团队，担任技术主管兼架构师，主导了IBM Watson Analytics数据分析引擎基于Spark技术的转换，极大提高了平台的计算能力；2017年担任IBM Cognos Analytics团队架构师，主持了自动化技术的引入

网友热评

出版人杨福川: 数据分析与决策的趋势一定是向智能化的方向发展，如今机器学习等技术在数据分析领域的应用逐渐增多，一些特定功能和场景的数据分析与决策工作已经能由机器去完成了。德勤、华为、IBM的三位首席数据科学家的这本著作，不仅具有很强的前瞻性，而且内容非常扎实，推荐给所有数据分析、数据科学家等数据工作者们。 Vince_L: 有一些独到的见解，但还是太浅了，关于营销建模的实例或者理论再深一些就好了，有点浅尝辄止。 像CNN、RNN、GAN的内容如果能跟营销分析相结合就好了，可惜用的是文本、图像分析的例子。 [已注销]: 微信读书。书中有硬货，有业务场景。但是，跟增强分析的实现有何关系？ Dy: 没啥用的一本书，看完感觉读了一篇为了凑字数写的毕业论文

图书目录

推荐序一 推荐序二 前言 第1章　数据科学家的成长之路 1 1.1算法与数据科学家 1 1.1.1数据科学、人工智能、机器学习等 2 1.1.2室内活动还是室外活动 3 1.2数据科学家不断成长的几个阶段 3 1.2.1算法——如何构建数据分析模型 5 1.2.2用法——如何回头看模型 6 1.2.3业务——如何产生更大价值 7 1.2.4战略——如何更广 8 1.3数据科学家的工作模式与组织结构 9 1.3.1数据驱动还是业务驱动 9 1.3.2数据科学家团队的组织结构 9 1.4数据科学家的工作方法要点 10 第2章　大数据探索及预处理 13 2.1大数据探索 13 2.1.1数值类型 13 2.1.2连续型数据的探索 14 2.1.3分类型数据的探索 19 2.1.4示例：数据探索 20 2.2数据预处理 26 2.2.1数据清洗 26 2.2.2数据变换 29 2.2.3数据归约 41 2.3衍生指标的加工 44 2.3.1衍生指标概述 45 2.3.2将数值转化为百分位数 45 2.3.3把类别变量替换为数值 46 2.3.4多变量组合 47 2.3.5从时间序列中提取特征 47 第3章　预测模型的新技术 49 3.1集成学习 49 3.1.1Averaging方法 49 3.1.2Boosting方法 51 3.2GradientTreeBoosting介绍 53 3.2.1梯度与梯度下降 53 3.2.2GradientTreeBoosting算法的原理 55 3.3GradientTreeBoosting的改进方向 57 3.3.1GradientTreeBoosting的使用要点 57 3.3.2Regularization 59 3.3.3XGBoost介绍 60 3.4模型的最佳参数设置 60 3.5投票决定最终预测结果 65 3.6让模型在训练结束后还能被更新 66 3.6.1热启动 67 3.6.2增量学习 67 3.7多输出预测 68 3.7.1BinaryRelevance 69 3.7.2ClassifierChain 70 3.7.3EnsembleClassifierChain 70 3.8案例：如何给客户从数百个产品中寻找合适的产品 71 3.8.1问题提出 72 3.8.2建模思路 72 3.8.3模型训练及应用 73 第4章　序列分析 76 4.1通过客户行为研究做出服务策略 76 4.2频繁项集、关联规则的挖掘 77 4.2.1基本概念 77 4.2.2频繁或稀疏项集的挖掘 78 4.2.3关联规则的挖掘 86 4.3序列模式的挖掘以及应用 88 4.3.1换种视角观察项间的顺序 88 4.3.2“事无巨细”还是“事有巨细” 89 4.3.3序列挖掘的相关算法介绍 92 4.3.4示例：挖掘购买物品的序列模式 96 4.4序列规则的挖掘以及应用 101 4.4.1将频繁序列通过业务解读转换为行动指南 101 4.4.2序列规则的挖掘实现行动指南 102 4.4.3序列规则的挖掘算法 102 4.4.4示例：通过客户购买产品的序列推荐合适的产品 104 4.5序列预测的挖掘以及应用 107 4.5.1序列规则与序列预测的关系 107 4.5.2序列预测算法的介绍 108 4.5.3示例：客户下一步会做什么 110 第5章　应用数据分析做出最优决策 114 5.1Prescriptive分析概述 114 5.1.1业务分析的3个层次 115 5.1.2为什么需要Prescriptive分析 116 5.1.3什么时候需要Prescriptive分析 117 5.2确定因素和非确定因素下的决策分析 118 5.3What-If分析和GoalSeeking分析 121 5.4优化技术介绍 122 5.4.1数据挖掘算法中常用的优化技术 122 5.4.2优化问题求解工具介绍 127 5.4.3CVXPY优化工具在机器学习算法中的应用 130 5.4.4应用优化技术寻找最优产品推荐 134 5.5仿真分析 135 5.5.1蒙特卡洛的介绍 135 5.5.2采用蒙特卡洛方法进行重采样 137 5.6马尔可夫链及马尔可夫决策过程 143 5.6.1马尔可夫过程及马尔可夫链 145 5.6.2马尔可夫决策过程及应用工具 148 5.6.3应用马尔可夫决策过程研究营销策略及客户生命周期价值 151 第6章　深入探讨CNN 155 6.1换个角度讨论CNN 155 6.1.1卷积是在做什么 156 6.1.2人脸检测与人脸识别 159 6.1.3深度学习意味着什么 165 6.1.4CNN的结构 168 6.1.5CNN的训练及结果 172 6.2用CNN做人脸识别 174 6.2.1数据加载 175 6.2.2使用ImageDataGenerator 175 6.2.3定义模型和训练模型 176 6.2.4详细探究卷积最终的效果 178 6.3Embedding 181 6.3.1文本向量化的一般方法 181 6.3.2WordEmbedding的原理及实现 186 6.3.3利用WordEmbedding实现翻译 190 6.3.4Embedding的用途不止于WordEmbedding 192 6.4一个例子：文本分类 193 6.4.1采用传统分类模型实现文本分类 193 6.4.2采用CNN进行文本分类 196 6.4.3采用FastText进行文本分类 200 第7章　深入探讨RNN 201 7.1两种建模方法：Prediction和SequenceLabeling 201 7.1.1Prediction的特点 201 7.1.2SequenceLabeling的特点 202 7.2RNN及其变种的详细原理 203 7.2.1RNN的Activation函数 204 7.2.2RNN的初级神经元及计算逻辑 205 7.2.3LSTM的神经元及计算逻辑 205 7.2.4GRU的神经元与计算逻辑 206 7.2.5深度RNN的原理 207 7.2.6RNN算法的输入输出形式 208 7.3利用LSTM预测股票价格 209 7.3.1模型构建及验证 209 7.3.2模型应用的探讨 216 7.4让计算机学会写唐诗 216 7.4.1构想：如何让计算机能够写出唐诗 216 7.4.2构建：模型实现的过程 218 7.5预测客户的下一个行为 221 7.5.1构想：如何利用LSTM实现客户行为的预测 221 7.5.2构建：模型实现过程 222 7.6计算机，请告诉我你看到了什么 226 7.6.1构想：如何让计算机生成图片描述 226 7.6.2实现：逐步构建图片描述生成模型 227 7.6.3VQA 232 第8章　深入探讨GAN 235 8.1基本原理 235 8.1.1构想 235 8.1.2GAN的基本结构 237 8.1.3GAN模型训练及应用过程 240 8.1.4GAN原理的再探索 241 8.2让计算机书写数字 243 8.2.1建模思路 243 8.2.2基本实现过程 244 8.2.3采用DCGAN来实现 248 8.3让计算机画一张人脸 251 8.3.1如何让计算机理解我们的要求 252 8.3.2基本实现过程 253