數據科學與商業分析 用機器學習與統計學優化商業決策 Business Data Science: Combining Machine Learning and Economics to Optimize, Automate, and Accelerate Business Decisions
[美] 馬特·塔迪（Matt Taddy）
- 出版商: 人民郵電
- 出版日期: 2021-03-01
- 定價: $594
- 售價: 7.9 折 $469
- 語言: 簡體中文
- 頁數: 251
- 裝訂: 平裝
- ISBN: 7115559139
- ISBN-13: 9787115559135
-
相關分類:
Machine Learning、機率統計學 Probability-and-statistics、Data Science
- 此書翻譯自: Business Data Science: Combining Machine Learning and Economics to Optimize, Automate, and Accelerate Business Decisions
立即出貨 (庫存 < 3)
買這商品的人也買了...
-
產品領導力｜頂尖產品經理打造出色產品與成功團隊的致勝關鍵 (Product Leadership: How Top Product Managers Launch Awesome Products and Build Successful Teams)$400$316 -
產品路線圖｜從革新到蛻變 (Product Roadmapping: Align Your Teams, and Deliver the Most to Your Customers and Stakeholders)$580$458 -
$352量化交易學習指南 基於R語言 -
矽谷最夯‧產品專案管理全書：專案管理大師教你用可實踐的流程打造人人都喜歡的產品$430$387 -
這就是服務設計！｜服務設計工作者的實踐指南 (This Is Service Design Doing: Applying Service Design Thinking in the Real World)$880$695 -
機器學習線性代數基礎 (Python 語言描述)$294$279 -
$908Python 數學實驗與建模 -
線性代數應該這樣學, 3/e$419$398 -
$658文本機器學習 -
$862分佈式人工智能：基於tensorflow、rtos與群體智能體系 -
$337產品經理的設計思維:以成果導向驅動產品創新的成功實踐 (What customers want: using outcome-driven innovation to create breakthrough products and services) -
自動機器學習 (AutoML)：方法、系統與挑戰$534$507 -
移動通信大數據分析 — 數據挖掘與機器學習實戰$469$446 -
$505深度學習與圍棋 -
$416數據分析實用教程 -
$250復雜系統建模與模擬 — 基於 Python 語言 -
數亦有道 Python 數據科學指南$426$404 -
數據分析方法論和業務實戰（全彩）$474$450 -
大數據技術及架構圖解實戰派$876$832 -
智能藥物研發 — 新藥研發中的人工智能$594$564 -
$607利用 Python 實現概率、統計及機器學習方法（原書第2版） -
醫學影像深度學習$354$336 -
臨床診療人工智能 — 可解釋、可通用的臨床決策支持系統$468$445 -
數據分析實戰 — 90個精彩案例帶你快速入門$354$336 -
深度學習$474$450
相關主題
商品描述
大數據和機器學習等的興起使得商業分析領域越來越倚重數據科學。本書詳細介紹了商業數據科學中的關鍵元素，匯集了機器學習、經濟學以及統計學領域的核心原則和最佳實踐，內容涵蓋識別商業政策中的重要變量、通過實驗測量這些變量，以及挖掘社交媒體以瞭解公眾對於政策修改的反應，為從事商業數據科學的數據科學家和商業人士提供了必備工具。書中通過大量數據分析示例講解如何利用R語言編寫腳本來解決復雜的數據科學問題。
作者簡介
Matt Taddy，美國經濟學家、數據科學家。
現任亞馬遜北美首席經濟學家、大名鼎鼎的亞馬遜經濟學家團隊Central Economics Team VP。
曾任芝加哥大學布斯商學院計量經濟學和統計學教授，明星教師，開創了數據科學課程。
曾任微軟商務人工智能首席研究員、eBay研究員。
目錄大綱
對本書的讚譽
獻詞
前言
常見符號的標準用法
第0章引言1
從兩張圖說起1
大數據與機器學習4
計算6
第1章不確定性14
1．1頻率不確定性和bootstrap方法14
1 ．2假設檢驗和錯誤發現率控制25
1．3貝葉斯推斷33
第2章回歸37
2．1線性模型37
2．2邏輯回歸46
2．3偏差與似然49
2．4 ◆回歸不確定性53
2．5空間和時間56
第3章正則化64
3．1樣本外預測效果64
3．2正則化方法68
3．3模型選擇77
3．4 ◆lasso的不確定性量化87
第4章分類94
4．1最近鄰94
4．2概率、成本和分類97
4．3多元邏輯回歸102
4．4分佈式多元回歸106
4．5分佈式與大數據110
第5章實驗114
5．1隨機控制試驗115
5．2近似實驗設計125
5．3 ◆工具變量135
第6章控制143
6．1條件可忽略性與線性處理效果143
6．2高維混淆變量調整146
6．3 ◆樣本分割與正交機器學習148
6．4異質性處理效果152
6．5合成控制法164
第7章分解167
7．1聚類167
7．2因子模型和主成分分析173
7．3主成分回歸180
7．4偏最小二乘法184
第8章文本作為數據189
8．1分詞190
8．2文本回歸194
8．3主題模型194
8．4多元逆回歸200
8．5協同過濾204
8．6詞嵌入技術206
第9章非參數方法209
9．1決策樹210
9．2隨機森林216
9．3因果關係樹224
9．4半參數方法與高斯過程228
第10章人工智能233
10．1什麼是人工智能233
10．2通用機器學習237
10．3深度學習240
10．4 ◆SGD 244
10．5強化學習248
10．6商業環境中的人工智能251
