会员
增强型分析：AI驱动的数据分析、业务决策与案例实践
更新时间：2019-10-11 18:52:25 最新章节：8.3.2 基本实现过程
书籍简介
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。
品牌：机械工业出版社
上架时间：2019-08-01 00:00:00
出版社：机械工业出版社
本书数字版权由机械工业出版社提供，并由其授权上海阅文信息技术有限公司制作发行
最新章节
最新上架
- 会员我们生活在一个由算法构筑的世界：这些基于数据的算法不仅掌控着社会的运转、筛选着我们的网络见闻，还构成了自动驾驶、智能家居、前沿医疗、智慧城市乃至元宇宙发展的根本。它们是人类步入智能化新纪元的关键驱动力。随着我们对数字技术的依赖日益加深，数学家和数据研究者得以透过它们窥探我们的日常生活。他们通过收集我们的购物记录、消费倾向、兴趣爱好和旅行路径等数据，试图解码我们的日常行为模式。但是，这些数据驱动的分计算机15.2万字
- 会员本书是一本全面介绍机器学习方法特别是算法的新书，适合初学者和有一定基础的读者。机器学习可以分成三大类别，监督式学习、非监督式学习和强化学习。三大类别背后的算法也各有不同。监督式学习使用了数学分析中函数逼近方法、概率统计中的极大似然方法。非监督式学习使用了聚类和贝叶斯算法。强化学习使用了马尔可夫决策过程算法。机器学习背后的数学部分来自概率、统计、数学分析以及线性代数等领域。虽然用到的数学较多，但是最计算机7.4万字
- 会员本书从技术、应用和产业3个维度为切入点，对智能语音语义领域相关的热点和趋势展开研究。本书以“人与机器的对话”开篇，讲述人类语音生成、传播和感知的过程，引发对于机器智能语音听说的思考，进而阐述技术探索发展史；然后，分析了以语音交互为核心的技术现状，综合剖析提出全双工、端到端模型构建、语音假冒攻击等热点；其次，从政策、投融资和产业规模上，分析整体智能语音产业环境，纵观国内外企业在相关技术和产品上的积极计算机13.6万字
- 会员机器学习是人工智能的核心，而统计思维则是机器学习方法的核心：从随机性中寻找规律性。例如，利用损失最小化思想制定学习策略，采用概率最大化思想估计模型参数，利用方差对不确定性的捕捉构造k维树，采用贝叶斯公式构建分类决策模型，等等。只有树立正确的统计思维，才能准确高效地运用机器学习方法开展数据处理与分析。本书以统计思维的视角，揭示监督学习中回归和分类模型的核心思想，帮助读者构建理论体系。计算机18万字
- 会员这是一本从工程化角度讲解大语言模型的核心技术、构建方法与前沿应用的著作。首先从语言模型的原理和大模型的基础构件入手，详细梳理了大模型技术的发展脉络，深入探讨了大模型预训练与对齐的方法；然后阐明了大模型训练中的算法设计、数据处理和分布式训练的核心原理，展示了这一系统性工程的复杂性与实现路径。除了基座模型的训练方案，本书还涵盖了大模型在各领域的落地应用方法，包括低参数量微调、知识融合、工具使用和自主智计算机12.1万字
- 会员本书以人工智能为核心，上篇讲述了人工智能理论知识及发展蓝图规划，目的是帮助读者认识人工智能，找到入局人工智能领域的途径和方法；中篇罗列了可以为人工智能赋能的前沿技术，包括NLP、机器学习、大数据、物联网、区块链等；下篇总结了人工智能对交通、农业、医疗、制造、教育、金融、文娱等行业的影响和作用，旨在让读者了解人工智能是如何在这些行业实现商业化落地的。本书从多个角度出发，描绘了一幅完整的人工智能发展蓝计算机15.8万字
- 会员大模型是深度学习自然语言处理皇冠上的一颗明珠，也是当前AI和NLP研究与产业中最重要的方向之一。本书使用PyTorch2.0作为学习大模型的基本框架，以ChatGLM为例详细讲解大模型的基本理论、算法、程序实现、应用实战以及微调技术，为读者揭示大模型开发技术。《从零开始大模型开发与微调：基于PyTorch与ChatGLM》共18章，内容包括人工智能与大模型、PyTorch2.0深度学习环境搭建计算机12.8万字
- 会员本书深入剖析了图神经网络领域所面临的两大核心挑战：深度加深模型退化和监督信息过度依赖。针对这两大挑战，本书提出了一系列解决思路，涵盖模型结构设计、训练策略优化等方面的内容。全书共7章，第1章主要介绍了图神经网络研究的背景与意义，阐述了近年来国内外网络表示学习与图神经网络的研究现状，分析了图神经网络当前面临的挑战及其主要问题等；第2章主要对图神经网络进行概要论述，包括基础的理论、典型的模型方法及应用计算机8.1万字