《Python预测分析实战》内容简介

本书先介绍预测分析的重要概念和原则，然后给出一系列的代码示例和算法讲解，引导读者了解完整的预测分析流程，进而用Python工具构建高性能的预测分析解决方案。全书所涵盖的内容包括预测分析过程、理解问题和准备数据、理解数据集—探索性数据分析、基于机器学习的数值预测、基于机器学习的类别预测、调整模型和提高性能、基于Dash的模型实现等。本书适合想要学习预测建模并对用Python工具实现预测分析解决方案感兴趣的数据分析师、数据科学家、数据工程师和Python开发人员阅读，也适合对预测分析感兴趣的读者参考。
阿尔瓦罗·富恩特斯（Alvaro Fuentes）是一位资深数据分析师，在分析行业的从业经验超过12年，拥有应用数学的硕士学位和数量经济学的学士学位。他在银行工作过多年，担任经济分析师。他后来创建了Quant公司，主要提供与数据科学相关的咨询和培训服务，并为许多项目做过顾问，涉及商业、教育、医药和大众传媒等领域。他是一名Python的深度爱好者，有5年的Python工作经验，从事过分析数据、构建模型、生成报告、进行预测以及构建从数据到智能决策的智能转换交互式应用等工作。

作品目录

版权声明
前

言
本书的目标读者
本书的主要内容
审阅者简介
译者简介
作者简介
第1章：预测分析过程
1.1、技术要求
1.2、什么是预测分析
1.3、回顾预测分析的重要概念
1.4、预测分析过程
1.5、Python数据科学栈概述
1.6、小结
扩展阅读
第2章：理解问题和准备数据
2.1、技术要求
2.2、理解业务问题并提出解决方案
2.3、实践项目——钻石的价格
2.4、实践项目——信用卡违约
2.5、小结
扩展阅读
第3章：理解数据集——探索性数据分析
3.1、技术要求
3.2、什么是EDA
3.3、一元EDA
3.4、二元EDA
3.5、图形化的多元EDA
3.6、小结
扩展阅读
第4章：基于机器学习的数值预测
4.1、技术要求
4.2、机器学习简介
4.3、建模之前的实际考虑
4.4、多元线性回归
4.5、LASSO回归
4.6、kNN
4.7、训练与测试误差
4.8、小结
扩展阅读
第5章：基于机器学习的分类预测
5.1、技术要求
5.2、分类任务
5.3、信用卡违约数据集
5.4、逻辑回归
5.5、分类树
5.6、随机森林
5.7、训练误差对测试误差
5.8、多元分类
5.9、朴素贝叶斯分类器
5.10、小结
扩展阅读
第6章：面向预测分析的神经网络简介
6.1、技术要求
6.2、引入神经网络模型
6.3、TensorFlow和Keras简介
6.4、基于神经网络的回归
6.5、基于神经网络的分类
6.6、训练神经网络模型的“黑暗艺术”
6.7、小结
扩展阅读
第7章：模型评价
7.1、技术要求
7.2、回归模型的评价
7.3、评价分类模型
7.4、k折交叉验证
7.5、小结
扩展阅读
第8章：调整模型和提高性能
8.1、技术要求
8.2、超参数调整
8.3、提高性能
8.4、小结
第9章：基于Dash的模型实现
9.1、技术要求
9.2、模型沟通和/或部署阶段
9.3、Dash简介
9.4、将预测模型实现为网络应用程序
9.5、小结
扩展阅读