1. 涵蓋從問題識別到模型部署的預測分析全過程2. 基於Python語言實現，輔以實例，側重於實戰3. 用Python實現高性能預測分析方案4. 用Keras構建可實現預測的神經網絡模型

●第1章預測分析過程1
1．1技術要求1
1．2什麼是預測分析2
1．3回顧預測分析的重要概念3
1．4預測分析過程5
1．4．1理解問題和定義問題6
1．4．2收集數據和準備數據6
1．4．3使用EDA挖掘數據信息7
1．4．4構建模型8
1．4．5評價模型8
1．4．6溝通以及/或者部署8
1．4．7CRISP-DM和其他方法9
1．5Python數據科學棧概述10
1．5．1Anaconda10
1．5．2JupyterNotebook11
1．5．3NumPy13
1．5．4SciPy18
1．5．5pandas19
1．5．6Matplotlib19
1．5．7Seaborn23
1．5．8scikit-learn24
1．5．9TensorFlow和Keras24
1．5．10Dash24
1．6小結25
擴展閱讀25

第2章理解問題和準備數據26
2．1技術要求26
2．2理解業務問題並提出解決方案27
2．2．1背景決定一切27
2．2．2定義預測內容28
2．2．3明確項目需要的數據28
2．2．4考慮數據訪問28
2．2．5提出解決方案29
2．3實踐項目——鑽石的價格30
2．3．1鑽石的價格——理解問題和定義問題30
2．3．2更多背景知識32
2．3．3鑽石的價格——提出解決方案32
2．3．4鑽石的價格——收集數據和準備數據33
2．4實踐項目——信用卡違約38
2．4．1信用卡違約——理解問題和定義問題38
2．4．2信用卡違約——提出解決方案39
2．4．3信用卡違約——收集數據和準備數據41
2．5小結51
擴展閱讀52

第3章理解數據集——探索性數據分析53
3．1技術要求54
3．2什麼是EDA54
3EDA56
3．3．1數值特EDA57
3．3．2分類特EDA61
3EDA63
3．4．1兩個數值特征64
3．4．2兩個分類特征73
3．4．3一個數值特征和一個分類特征77
3．5圖形EDA81
3．6小結86
擴展閱讀86

第4章基於機器學習的數值預測87
4．1技術要求88
4．2機器學習簡介88
4．2．1監督學習中的任務89
4．2．2創建第一個機器學習模型90
4．2．3機器學習的目標——泛化92
4．2．4過擬合94
4．2．5評價函數和很優化95
4．3建模之前的實際考慮95
4．3．1scikit-learn簡介96
4．3．2進一步的特征變換96
4線性回歸103
4．5LASSO回歸106
4．6kNN107
4．7訓練與測試誤差109
4．8小結113
擴展閱讀113

第5章基於機器學習的分類預測115
5．1技術要求116
5．2分類任務116
5．3信用卡違約數據集117
5．4邏輯回歸120
5．4．1一個簡單的邏輯回歸模型120
5．4．2完整的邏輯回歸模型122
5．5分類樹124
5．5．1分類樹的工作原理126
5．5．2分類樹的優點和缺點130
5．5．3訓練更大的分類樹130
5．6隨機森林131
5．7訓練誤差對測試誤差133
5分類135
5．9樸素貝葉斯分類器136
5．9．1條件概率136
5．9．2貝葉斯定理138
5．9．3回到分類問題140
5．9．4高斯樸素貝葉斯141
5．10小結143
擴展閱讀143

第6章面向預測分析的神經網絡簡介144
6．1技術要求144
6．2引入神經網絡模型145
6．2．1深度學習145
6．2．2MLP的結構——神經網絡模型的組成部分146
6．2．3MLP的學習原理148
6．3TensorFlow和Keras簡介149
6．3．1TensorFlow149
6．3．2Keras——以人為本的深度學習150
6．4基於神經網絡的回歸151
6．4．1構建預測鑽石價格的MLP152
6．4．2訓練MLP154
6．4．3基於神經網絡的預測156
6．5基於神經網絡的分類157
6．5．1構建預測信用卡違約的MLP158
6．5．2評價預測160
6．6訓練神經網絡模型的“黑暗藝術”161
6．6．1決策太多，時間太少162
6．6．2神經網絡的正則化163
6．6．3訓練神經網絡模型的實用技巧172
6．7小結173
擴展閱讀173

第7章模型評價174
7．1技術要求175
7．2回歸模型的評價175
7．2．1評價回歸模型的指標176
7．2．2評價回歸模型的可視化方法180
7．3評價分類模型183
7．3．1混淆矩陣及相關指標184
7．3．2評價分類模型的可視化方法187
7．4k折交叉驗證195
7．5小結197
擴展閱讀197

第8章調整模型和提高性能198
8．1技術要求198
8．2超參數調整199
8．2．1優化單個超參數200
8．2．2優化多個超參數205
8．3提高性能210
8．3．1改進鑽石價格預測210
8．3．2是技術問題，更是業務問題214
8．4小結215

第9章基於Dash的模型實現216
9．1技術要求216
9．2模型溝通和/或部署階段217
9．2．1使用技術報告217
9．2．2說明現有應用程序的功能218
9．2．3分析應用程序219
9．3Dash簡介220
9．3．1什麼是Dash220
9．3．2Plotly220
9．3．3安裝221
9．3．4應用程序布局221
9．3．5構建基本的靜態App222
9．3．6構建基本的交互式App224
9．4將預測模型實現為網絡應用程序228
9．4．1生成預測模型對像229
9．4．2構建網絡應用程序231
9．5小結237
擴展閱讀238

本書先介紹預測分析的重要概念和原則，然後給出一繫列的代碼示例和算法講解，引導讀者了解完整的預測分析流程，進而用Python工具構建高性能的預測分析解決方案。全書所涵蓋的內容包括預測分析過程、理解問題和準備數據、理解數據集——探索性數據分析、基於機器學習的數值預測、基於機器學習的類別預測、調整模型和提高性能、基於Dash的模型實現等。
本書適合想要學習預測建模並對用Python工具實現預測分析解決方案感興趣的數據分析師、數據科學家、數據工程師和Python開發人員閱讀，也適合對預測分析感興趣的讀者參考。

(美)阿爾瓦羅·富恩特斯 著 高蓉,李茂 譯