增强型分析AI驱动的数据分析业务决策与案例实践|百度网盘下载

编辑评论：

的三位作者

增强分析：人工智能驱动的数据分析、业务决策和案例实践是来自德勤、前华为和前 IBM 的高级数据科学家，他们至少有 10 个以上多年的工作经验，在本书中总结了自己多年来积累的“建立数据挖掘模型解决实际业务问题”的经验。

编辑推荐

本书极具前瞻性：增强分析是数据分析和数据科学的未来，AI技术赋能数据分析和决策是未来必然的发展趋势；

这本书很高级：详细讲解了序列分析、预测分析、规范分析、RNN、CNN、GAN等前沿数据处理技术和人工智能技术；

本书权威：本书三位作者均为德勤、华为、前IBM资深数据科学家，均在数据科学和人工智能领域拥有10年以上工作经验；

这本书非常实用：这本书不仅仅是技术和工具，还有技术如何与实际业务相结合，包括大量的实际案例。

简介

增强分析是数据科学的未来。本书解释了如何通过尖端的大数据和人工智能技术（称为增强分析）实现智能数据分析和业务决策。

本书的内容贯穿了两条主线：

技术主线：一方面阐述了预测模型、序列分析、预测分析、Prescriptive分析等前沿数据处理技术，另一方面阐述了前沿AI技术如何如CNN、RNN 和 GNN 赋予数据分析能力。

主营业务：数字化转型时代，如何通过数据分析实现智能营销和智能风控，从初级的“主动营销”到“被动营销”，再到“全渠道协同营销”等。营销工具的升级。

本书的重点是核心内容，即数据处理、算法与模型、“模型洞察对商业决策”的分析等。

全书共8章：

第一章：作者结合自身经历介绍了数据科学家的职业发展、工作模式和重点，为有兴趣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，阐述数据探索和数据预处理衍生指标处理的技巧；

第 3 章：介绍构建预测模型时的新方法、新想法和新工具；

第四章：解释序列分析的相关内容，包括序列模式的挖掘与应用、序列规则、序列预测等，并举例说明算法的原理、特点和使用技巧；

第五章：介绍人工智能下一阶段的关键领域，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，并通过这些AI技术在数据分析和决策领域的应用和实际效果。大量的例子。

书评

本书聚焦技术和业务两条主线，整合了作者以往对金融行业各种“业务咨询+大数据+人工智能技术应用”解决方案的经验和总结。相信这对于想利用大数据和人工智能技术解决实际问题的读者来说，会有很大的参考价值。

——德勤中国副董事长吴伟军

洪涛和宗瑶都是我的学生。他们是毕业于西安交通大学的优秀学生。这次他们付出了很多心血完成了这本书，得到了出版社的高度评价，恭喜他们。 “还有很长的路要走。”希望他们在工作中继续前行，努力开创新天地，再创佳绩！

——西安交通大学软件学院副院长朱立教授

增强分析是数据分析和决策的未来发展方向。大数据技术和人工智能技术已经成为智能数据分析和决策的底层驱动力。这本书很有前瞻性。它结合了规范分析和其他新的新人工智能技术，如大数据技术和 CNN，解释了如何执行增强分析。

——蒋敏，舒兰科技CTO/《数据中心》作者

增强分析的本质是将AI技术应用到数据处理分析的各个环节，最终实现智能决策，是未来数据分析的必然发展趋势。本书从技术和业务的角度阐述了增强分析的一些新技术和核心技术，以及如何通过增强分析解决营销等方面的业务问题。包含大量案例，非常实用。

——张良军，资深大数据专家/畅销书《Python数据分析与挖掘实战》作者

本书中提到的“将大量原始数据交给机器，机器直接给出具体场景的决策建议”是我多年来一直追求的最终应用方式；另外，增强分析的描述性分析、预测性分析和规范性分析的渐进式工作上下文在我看来也是一种行之有效的工作方法，因为这种方法具有很高的应用价值和很强的业务执行力！本书在数据分析工作中理念高、格局大、视野广，兼顾技术和业务两方面。是难得的好书，可以帮助数据工作者进步，甚至实现质的飞跃！

——宋天龙，触脉咨询合伙人、副总裁/畅销书《Python数据分析与数据操作》作者

关于作者

彭洪涛

德勤企业咨询总监兼首席数据科学家，德勤全球人工智能团队核心成员，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解决方案高级顾问。

2008年加入SPSS，与跨国团队合作开发Analytical Decision Management决策自动化工具，并与国内外团队合作构建不同应用领域的SPSS解决方案，其中部分已成长为IBM知名的解决方案; 2014年加入IBM GBSC部门，带领数据分析团队，为不同客户设计并实施数据分析解决方案； 2016 年加入 IBM GBS GBS Cognitive Business Decision Support，担任 CTO 和首席数据科学家，带领团队开发并实施了某些具有行业影响力的人工智能应用解决方案； 2017年加入德勤咨询，担任金融服务总监兼首席数据科学家，带领团队在数字化转型的背景下开发新的咨询服务解决方案，期间为大型银行提供高质量的数字化转型并实施相关项目。得到客户的高度认可。

张宗耀

上海全赢科技有限公司高级数据科学家，原华为企业智能部高级数据科学家，原IBM SPSS算法组件团队高级算法工程师。

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核心计算单元，主导分布式分析引擎的开发。 SPSS Modeler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SPSS Modeler产品的分析引擎平台和竞品算法模块； 2015年开始投入Spark分布式框架的算法设计与开发，主导完成了已开发的生存分析算法、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，先后在华为数据挖掘团队、企业智能部机器学习服务团队和行业解决方案团队工作。部署相关工作。

聂磊

陕西万和数字科技有限公司CTO，前IBM SPSS高级数据科学家，前IBM Watson Analytics数据分析引擎技术总监、架构师。

2008年加入IBM分析决策管理团队，领导开发基于优化技术的业务规则引擎和预测性维护解决方案； 2014年加入IBM Watson Analytics团队，担任技术总监和架构师，领导IBM Watson Analytics数据分析引擎基于Spark技术的转换，极大提升了平台的计算能力； 2017年担任IBM Cognos Analytics团队架构师，主持引入自动化技术

图书特色

应用机器学习和人工智能技术不仅需要了解算法原理，还需要算法参数调优、算法使用的数据需求、算法输出结果，以及如何在具体业务场景中使用数据挖掘模型。明白，只有这样，才能真正发挥数据的价值，才能产生实际的业务成果。

本书作者结合多年来为不同大型组织“建立数据挖掘模型和解决实际业务问题”的实践，总结归纳技术、应用等方面的经验，以“引入较新的机器学习和人工智能技术”和“如何应用这些技术解决实际问题”两个方面作为本书的整体主题。总的来说，本书有以下两个主要特点。

(1) 引入新技术

具有监督学习的建模技术早已不仅仅是了解算法。目前，基于集成学习、网格搜索和交叉验证的自动化建模技术方兴未艾。这些技术主要在专题章节中介绍：基于序列模式挖掘、序列规则、序列预测等，将进入大众视野的新技术应用于实际业务。这本书有很大的价值，这也是本书的重点：针对当前深度学习、对抗性学习等热点话题，本书也有专门的章节介绍。从这些技术的特点来看，增强分析的一些特性已经实现。例如，集成学习技术旨在将多个模型结合起来，以达到与使用单个模型相比显着提高的效果。

(2)兼顾原理和大量实例

通俗易懂地介绍算法原理、参数调优和使用方法，并结合实例说明使用方法和使用思路。作者采用“简单原理介绍+实际用例”的内容编排，希望让读者真正了解机器学习和人工智能的技术原理、特点和使用方法，并在实践中直接起到指导作用。

另外，本书在处理无法直接翻译成中文的单词时，均使用英文原文，方便读者对应科技英文资料，尽量避免死板翻译造成的混乱.在本书的大量示例中，代码注释基本都是英文的，这与作者多年的编码习惯有关。