Predictive Analytics für das moderne Unternehmen

Table of contents

1. Vorwort
   1. Für wen ist dieses Buch?
   2. Wie dieses Buch organisiert ist
   3. In diesem Buch verwendete Konventionen
   4. Code-Beispiele verwenden
   5. O'Reilly Online Learning
   6. Wie du uns kontaktierst
   7. Danksagungen
2. 1. Datenanalyse im modernen Unternehmen
   1. Die Entwicklung der Datenanalyse
   2. Verschiedene Arten der Datenanalyse
      1. Deskriptive Analytik
      2. Diagnostische Analytik
      3. Prädiktive Analytik
      4. Prädiktive Analytik
   3. Wissenserwerb, maschinelles Lernen und die Rolle von Predictive Analytics
   4. Tools, Frameworks und Plattformen in der Welt der Predictive Analytics
      1. Sprachen und Bibliotheken
      2. Dienstleistungen
   5. Fazit
3. 2. Prädiktive Analytik: Eine betriebliche Notwendigkeit
   1. Der Wechsel von "datenproduzierend" zu "datengesteuert"
   2. Herausforderungen beim Einsatz von Predictive Analytics
      1. Menschen
      2. Daten
      3. Technologie
   3. Anwendungsfälle für Predictive Analytics in der vertikalen Industrie
      1. Finanzen
      2. Gesundheitswesen
      3. Automobilindustrie
      4. Unterhaltung
   4. Fazit
4. 3. Die Mathematik und Algorithmen hinter Predictive Analytics
   1. Statistik und Lineare Algebra
   2. Regression
      1. Was ist eine Regressionsanalyse?
      2. Regressionstechniken
      3. R-Quadrat und P-Wert
      4. Auswählen eines Regressionsmodells
   3. Entscheidungsbäume
      1. Entscheidungsbäume trainieren
      2. Entscheidungsbäume zur Lösung von Regressionsproblemen verwenden: Regressionsbäume
      3. Entscheidungsbäume abstimmen
   4. Andere Algorithmen
      1. Zufallsforsten
      2. Neuronale Netze
      3. Support-Vektor-Maschinen
      4. Naive Bayes Klassifikator
   5. Andere Lernmuster beim maschinellen Lernen
   6. Fazit
5. 4. Mit Daten arbeiten
   1. Daten verstehen
   2. Datenvorverarbeitung und Feature Engineering
      1. Umgang mit fehlenden Daten
      2. Kodierung kategorischer Daten
      3. Datenumwandlung
      4. Ausreißer-Management
      5. Umgang mit unausgewogenen Daten
      6. Daten kombinieren
      7. Auswahl der Merkmale
      8. Aufteilung vorverarbeiteter Daten
   3. Vorurteile verstehen
   4. Die Predictive Analytics Pipeline
      1. Die Datenphase
      2. Die Modellphase
      3. Die Servierbühne
      4. Andere Komponenten
   5. Die Auswahl des richtigen Modells
   6. Fazit
6. 5. Python und scikit-learn für Predictive Analytics
   1. Anaconda und Jupyter Notebooks
   2. NumPy in Python
      1. Einführung in NumPy
      2. Arrays generieren
      3. Array Slicing
      4. Array Transformation
      5. Andere Array-Operationen
      6. Ein Geschäftsbeispiel mit Pandas erforschen
   3. Pandas in Python
      1. Daten importieren und anzeigen
      2. Visualisiere die Daten
      3. Datenbereinigung und -modifikation
      4. Lesen aus verschiedenen Datenquellen
      5. Daten filtern und gruppieren
   4. Scikit-learn
      1. Training und Vorhersage mit einem linearen Regressionsmodell
      2. Verwendung eines Random Forest Classifiers
      3. Einen Entscheidungsbaum trainieren
      4. Ein Beispiel für Clustering (unüberwachtes Lernen)
   5. Fazit
7. 6. TensorFlow und Keras für Predictive Analytics
   1. TensorFlow Grundlagen
   2. Lineare Regression mit TensorFlow
      1. Datenaufbereitung
      2. Modellerstellung und Schulung
      3. Vorhersagen und Modellbewertung
   3. Tiefe neuronale Netze in TensorFlow
   4. Fazit
8. 7. Predictive Analytics für die Lösung von Geschäftsproblemen
   1. Vorhersagegestützte Empfehlungen für optimale Einzelhandelspreise
      1. Verwendung eines einfachen linearen Regressionsmodells
      2. Verwendung eines polynomialen Regressionsmodells
      3. Multivariate Regression verwenden
   2. Eine Einführung in Empfehlungssysteme
      1. Aufbau von Empfehlungssystemen mit surprise scikit in Python
   3. Klassifizierung von Kreditkartenbetrug
      1. Grundlegende Analyse von Kreditkartenbetrug mit künstlichen neuronalen Netzen
      2. Gewichtete Analyse von Kreditkartenbetrug mit künstlichen neuronalen Netzen
      3. Kreditkartenanalyse mit mehreren versteckten Schichten im künstlichen neuronalen Netz
   4. Fazit
9. 8. Erkundung der AWS Cloud-Provider-Dienste für KI/ML
   1. In die Cloud oder nicht in die Cloud
   2. AWS SageMaker erkunden
      1. Voraussetzungen
      2. Datenerfassung und -erforschung
      3. Datenumwandlung
      4. Modelltraining und Vorhersage
      5. Aufräumen
   3. Erkundung der Amazonasvorhersage
      1. Daten importieren
      2. Den Prädiktor trainieren
      3. Eine Prognose erstellen
      4. Was-wäre-wenn-Analyse
      5. Aufräumen
   4. Fazit
10. 9. Nahrung zum Nachdenken
    1. Ein paar weitere Anwendungsfälle
       1. Navigation und Verkehrsmanagement
       2. Kreditwürdigkeitsprüfung
    2. Die sozialen Auswirkungen von Vorhersagen
    3. Fazit
11. Index
12. Über den Autor