登入帳戶　 |　訂單查詢　 |　購物車/收銀台( 0 )　|　在線留言板　 |　付款方式　 |　聯絡我們　 |　運費計算　 |　幫助中心　|　 加入書簽
	全部範圍 - 圖書 - 　- 中文簡體書(大陸書) - 　- 英文書（原版） - - 音碟 - 　- 音樂 - 　- 影視 - - 雜誌 - 全文 精確	會員登入 新註冊 |　新用戶登記

HOME新書上架暢銷書架好書推介特價區會員書架精選月讀2023年度TOP分類閱讀雜誌

香港／國際用戶

最新/最熱/最齊全的簡體書網

品種：超過100萬種書，正品正价，放心網購，悭钱省心

送貨：速遞 / EMS，時效：出貨後2-3日

新書推薦： 《 西方文明4000年（战争与和平，野蛮与文明，沉沦与觉醒，记录影响西方文明发展的历史瞬间） 》 售價：NT$ 437.0 《 樱照良宵（全2册） 》 售價：NT$ 391.0 《 长江小史 》 售價：NT$ 279.0 《 智慧城市安全韧性评价与时空演化 》 售價：NT$ 437.0 《 流程即组织力：华为高效增长的业务管理逻辑 》 售價：NT$ 364.0 《 资治通鉴全本新注（全十四册） 》 售價：NT$ 8734.0 《 出土文献与古史研究（第一辑） 》 售價：NT$ 704.0 《 九色鹿·镇守与共荣：唐代的太原尹 》 售價：NT$ 429.0

建議一齊購買： + NT$ 226 《 中国音乐史（第三版） 》 + NT$ 528 《 中医基础理论习题集·全国中医药行业高等教育“十四五”规划教材配套用书 》 + NT$ 342 《 运动免疫学 》 + NT$ 239 《 组织行为学 》 + NT$ 270 《 工作分析与评价 》 + NT$ 302 《 管理学 》 編輯推薦： 本书金融商务领域的基础教材，其中以Python语言介绍了机器学习在商务领域的应用。本书秉承教材风格，强调广度讲解。注重成熟模型和开源工具的使用，以提高学习者的应用能力为目标；注重结合实例和实验，加强基本概念和原理的理解和运用；注重实例的趣味性和生活性，提高学习者学习的积极性。本书可作为普通高等院校计算机应用、软件工程、信息管理、电子商务和管理科学等相关专业高年级本科生及硕士研究生数据挖掘课程的教材。同时，对数据挖掘技术和方法感兴趣，致力于相关方面的研究和应用的其他读者，也可以从本书中获取基本的指导和体验。 內容簡介： 本书是金融商务领域的基础教材，以Python语言介绍了机器学习在商务领域的应用。全书分12章: 第1～3章介绍商务智能和数据挖掘的基本概念，它们是进行商务智能应用的预备知识；第4～11章系统深入地讲解现今已成熟的机器学习算法和在商务领域的实际应用；第12章根据具体的商业案例，采用已介绍的算法知识，通过不同的方法进行实际的应用，可以作为学习本书内容之后的研究重点。 本书适合商务类专业和计算机类专业的本科生或研究生使用，也适合不具有机器学习或统计学背景，但是想要从业于商务领域的人士阅读。 目錄： 目录 第1章商务智能概述〈〈〈1 1.1商务智能的概念1 1.1.1数据、信息与知识1 1.1.2商务智能的定义2 1.1.3商务智能的特点3 1.1.4商务智能的过程4 1.2商务智能的产生与发展4 1.3商务智能与分析5 1.3.1商务智能应用背景5 1.3.2商务智能关键技术分析5 1.4商务智能的系统架构及实施8 1.4.1商务智能系统架构8 1.4.2商务智能系统要素8 1.4.3商务智能系统实施9 1.5主流商务智能产品11 1.6商务智能的未来发展趋势14 1.7商务智能的应用14 1.8本章小结15 第2章商务智能中的核心技术〈〈〈16 2.1数据预处理16 2.1.1数据预处理概述16 2.1.2数据预处理的必要性16 2.1.3数据预处理的基本方法17 2.1.4数据清洗17 2.1.5数据集成21 2.1.6数据变换22 2.1.7数据归约30 2.2数据抽取—转换—装载31 2.2.1相关概念312.2.2数据抽取—转换—装载建模过程33 2.2.3数据抽取—转换—装载模式介绍33 2.3多维数据模型35 2.3.1多维数据模型的概念35 2.3.2多维数据模型的构建方法35 2.4联机分析处理38 2.4.1联机分析处理简介38 2.4.2联机分析处理的分类39 2.4.3联机分析处理的基本概念和典型操作40 2.4.4联机分析处理系统的实现途径及实施过程41 2.4.5联机分析处理的主流工具43 2.5数据可视化43 2.5.1数据可视化简介43 2.5.2数据可视化的优势44 2.5.3数据可视化工具45 2.6本章小结53 金融数据挖掘与商务智能——Python编程实践目录 第3章数据挖掘概述〈〈〈54 3.1数据挖掘的起源与发展54 3.1.1数据挖掘的起源54 3.1.2数据挖掘的发展56 3.2数据挖掘所要解决的问题57 3.3数据挖掘的定义60 3.4数据挖掘的过程62 3.5数据挖掘系统63 3.6数据挖掘的功能和方法64 3.6.1数据挖掘的功能64 3.6.2数据挖掘的方法64 3.7数据挖掘的典型应用领域66 3.8数据挖掘的发展趋势69 3.9本章小结69 第4章Apriori关联规则算法〈〈〈71 4.1Apriori算法原理71 4.1.1频繁项集的评估标准71 4.1.2Apriori算法思想72 4.1.3Apriori算法流程73 4.2Python代码实现74 4.3案例41: 信用卡消费推荐78 4.3.1实验步骤78 4.3.2实验结果79 4.3.3实验总结87 4.4本章小结87 第5章决策树分类算法〈〈〈88 5.1决策树算法原理88 5.1.1决策树是什么88 5.1.2如何生成决策树88 5.1.3决策树生成之后做什么90 5.1.4决策树算法步骤90 5.1.5决策树算法的优势和劣势91 5.2Python代码实现92 5.3案例51: 基于决策树的理财产品促销98 5.3.1实验原理98 5.3.2实验步骤98 5.3.3实验结果99 5.3.4实验总结108 5.4本章小结108 第6章朴素贝叶斯分类算法〈〈〈109 6.1朴素贝叶斯分类算法原理109 6.1.1贝叶斯原理109 6.1.2朴素贝叶斯110 6.1.3朴素贝叶斯算法流程113 6.1.4朴素贝叶斯算法的优缺点113 6.2Python代码实现114 6.3案例61: 基于朴素贝叶斯的理财产品促销118 6.3.1实验步骤118 6.3.2实验结果118 6.3.3实验总结125 6.4本章小结125 第7章k近邻分类与k均值聚类算法〈〈〈126 7.1k近邻分类原理与实现126 7.1.1距离126 7.1.2k值选择127 7.1.3分类规则128 7.1.4k近邻算法分类的工作原理总结128 7.1.5k近邻算法分类的优缺点128 7.1.6k近邻算法分类的代码128 7.2k近邻算法案例131 7.2.1实验原理132 7.2.2实验步骤132 7.2.3实验结果133 7.2.4实验总结139 7.3k均值聚类原理与实现140 7.3.1什么是k均值聚类算法140 7.3.2k均值聚类的算法过程140 7.3.3k均值聚类的算法代码144 7.4k均值聚类案例150 7.4.1实验原理150 7.4.2实验步骤151 7.4.3实验结果151 7.4.4实验总结158 7.5本章小结159 第8章神经网络算法〈〈〈160 8.1人工神经网络模型160 8.1.1人工神经网络的概念160 8.1.2人工神经网络的发展161 8.1.3人工神经网络的特点163 8.1.4人工神经网络的结构165 8.1.5人工神经网络模型169 8.2案例81: 股票价格波动分析172 8.2.1实验步骤173 8.2.2实验结果175 8.2.3实验总结182 8.3本章小结182 第9章线性回归模型〈〈〈183 9.1线性回归183 9.2线性回归实例187 9.2.1算法原理187 9.2.2实验步骤188 9.2.3实验结果191 9.3本章小结195 第10章逻辑回归模型〈〈〈196 10.1逻辑回归模型的算法原理196 10.1.1什么是逻辑回归196 10.1.2向量化198 10.1.3正则化199 10.1.4多类分类问题200 10.2案例101: 客户流失预警模型200 10.2.1实验原理201 10.2.2实验步骤201 10.2.3实验结果201 10.3本章小结206 第11章AdaBoost算法与数据聚类模型〈〈〈207 11.1AdaBoost算法原理207 11.1.1AdaBoost是什么207 11.1.2AdaBoost算法流程207 11.1.3AdaBoost实例208 11.1.4AdaBoost的误差界212 11.1.5AdaBoost指数损失函数推导213 11.1.6AdaBoost代码实现216 11.2DBSCAN算法的基本原理219 11.2.1DBSCAN算法的基本概念219 11.2.2DBSCAN算法描述220 11.2.3DBSCAN算法实例221 11.2.4DBSCAN算法的优缺点222 11.3本章小结223 第12章综合案例〈〈〈224 12.1案例121: 信用卡虚假交易实例224 12.1.1实验原理224 12.1.2实验步骤229 12.1.3实验结果229 12.1.4实验总结241 12.2案例122: 房价租金预测243 12.2.1实验原理243 12.2.2实验结果246 12.2.3实验总结251 12.3案例123: 金融客户贷款违约预测实例253 12.3.1实验结果253 12.3.2实验总结255 12.4本章小结255 参考文献〈〈〈256 內容試閱： 机器学习作为人工智能领域的集大成者之一，在各个领域都发挥着关键的作用。从企业内部决策和管理到社交网络上感兴趣内容的推荐，许多商业应用都离不开机器学习。但是也有很多人对商业活动中机器学习应用不够了解，无法将二者联系起来。本书通过细致形象的解析向读者展示和说明机器学习算法在商务活动中的应用，使读者明白构建机器学习解决方案是多么容易的一件事。学完本书中的内容，读者可以自己构建解决方案，研究股票的涨跌，或者对房价做出预测。在商务活动中机器学习的应用十分广泛，在如今的大数据时代更是发挥出无可比拟的优势，其应用更是远超人们的想象。 目标读者 本书是为商务类专业和计算机类专业大学生或有志成为商务领域从业者的人准备的，他们可以为现实生活中的商务案例寻找机器学习解决方案。这是一本基础教材，不需要读者具备机器学习的相关知识。本书主要使用Python语言引导读者构建相关的机器学习解决方案。本书介绍的方法适用于初学者和从业人员，也会对开发商务智能的工程师有所帮助。如果读者对Python有所了解，将能够更好地掌握本书的内容。 本书刻意不将数学作为重点，而是将机器学习算法的原理和实践作为重点。数学(尤其是概率论)是机器学习算法的基石，但本书不会详细分析算法的细节，也不会从头讲解如何编写机器学习算法，而是将重点放在如何应用已经实现的机器学习模型上。 写作本书的原因 目前，市面上关于机器学习算法的书籍已经非常多，但是这些书籍大多是为计算机领域的大学生和研究生准备的，并且其中涉及实际商业活动的案例较少，能够完全涵盖在实践中应用机器学习算法的重要内容，而又不需要较深机器学习基础的学习资源更是少之又少。作者根据课堂教学的实际经验，为了更好地介绍在商业应用中机器学习是如何作为优秀工具来使用的撰写了本书，希望本书能够对需要的人有所帮助。 本书概览 本书分为12章，结构大致如下。第1～3章介绍商务智能和数据挖掘的基本概念。 第4～11章分别介绍机器学习中Apriori关联规则算法、决策树分类算法、朴素贝叶斯分类算法、k近邻分类算法与k均值聚类算法、神经网络算法、线性回归模型、逻辑回归模型、AdaBoost算法与数据聚类模型的原理及实际应用，并分别讨论了不同算法的优缺点。 第12章通过3个综合案例，对机器学习算法的应用进行总结。 虽然第4～11章给出了实际算法，但对于初学者来说，并不需要理解所有这些算法。如果读者想要尽快构建一个机器学习解决方案，建议你首先阅读第1～3章的开始部分，了解本书的核心概念。然后根据需要选择适合的算法模型，在对应的章节中找到介绍的学习模型并阅读其详细内容。之后可以根据实际需要来使用章节中介绍的方法解决问题。 致谢 如果没有许多人的帮助和支持，本书不会得以顺利出版。 在此感谢本书的编辑，感谢他们的帮助。感谢我的学生黄小凯、贾飞阳、王舸、张宏涛、刘宇昭、蒋旭杰和尚子梁，他们花费大量时间阅读本书的早期版本，并提供宝贵的反馈意见，这些意见成为了本书最终定稿的基石，感谢他们在成书过程中给予了我很多帮助。 谭励 2023年8月于中国北京

書城介紹　 |　合作申請　|　索要書目　 |　新手入門　|　聯絡方式　 |　幫助中心　|　找書說明　 |　送貨方式　|　付款方式	香港用户　 |　台灣用户　|　海外用户
megBook.com.tw
Copyright (C) 2013 - 2024 （香港）大書城有限公司　All Rights Reserved.