Аналитическое прогнозирование для чайников. 2-е издание [Бари Анассе, Юнг Томми, Чаучи Мохамед]

Аналитическое прогнозирование для чайников 2-е издание



Сегодняшний бизнес опирается на эффективное использование данных для прогнозирования тенденций и продаж. Аналитическое прогнозирование - инструмент, который может это сделать, и данная книга просто и понятно показывает, как его использовать. Вы научитесь подготавливать и обрабатывать свои данные, ставить цели, создавать прогностические модели, привлекать к работе заинтересованные стороны вашей организации и многое другое.

Спойлер: Краткое содержание

Оглавление
Часть 1. Введение в аналитическое прогнозирование 19
Глава 1. Выход на арену 21
Глава 2. Аналитическое прогнозирование на практике 39
Глава 3. Методы исследования данных 71
Глава 4. Сложность данных 91
Часть 2. Включение алгоритмов в модели 113
Глава 5. Применение моделей 115
Глава 6. Выявление сходства в данных 141
Глава 7. Прогнозирование на основе классификации данных 173
Часть 3. Планирование 213
Глава 8. Как убедить руководство одобрить проект
по аналитическому прогнозированию 215
Глава 9. Подготовка данных 239
Глава 10. Создание прогностической модели 261
Глава 11. Визуализация аналитических данных 277
Часть 4. Программирование методов аналитического прогнозирования 297
Глава 12. Примеры создания типичных прогностических моделей 299
Глава 13. Примеры прогнозирования без учителя 331
Глава 14. Аналитическое прогнозирование на языке R 353
Глава 15. Как избежать ловушек в процессе анализа данных 389
Часть 5. Большие данные 413
Глава 16. Ориентация на большие данные 415
Глава 17. Подготовка к анализу данных предприятия 433
Часть 6. Великолепные десятки 447
Глава 18. Десять причин для внедрения аналитического прогнозирования 449
Глава 19. Десять шагов к построению модели 461
Предметный указатель 472

Спойлер: Полное содержание

Содержание
Введение 15
О чем эта книга 15
Для кого предназначена эта книга 16
Используемые пиктограммы 16
Дополнительный материал 17
Что дальше 17
Часть 1. Введение в аналитическое прогнозирование 19
Глава 1. Выход на арену 21
Что такое аналитическое прогнозирование 21
Интеллектуальный анализ данных 22
Создание модели 23
Добавление бизнес-ценности 25
Бесконечные возможности 25
Расширение возможностей организации 26
Начало проекта по аналитическому прогнозированию 28
Знания о бизнесе 28
Группа специалистов по анализу данных и информационным технологиям 29
Данные 30
Аналитическое прогнозирование 31
Формирование группы аналитического прогнозирования 33
Привлечение опытных практиков 33
Инициативность и любознательность 34
Исследование рынка 34
Обработка больших данных 35
Работа с большими данными 35
Глава 2. Аналитическое прогнозирование на практике 39
Интернет-маркетинг и розничная торговля 42
Рекомендательные системы 42
Персонализированные покупки в Интернете 44
Реализация рекомендательной системы 44
Совместная фильтрация 45
Контентная фильтрация 53
Гибридные рекомендательные системы 58
Целевой маркетинг 59
Целевой маркетинг с использованием прогнозного моделирования 60
Моделирование воздействия 62
Персонализация 65
Поведение клиентов в Интернете 65
Перенацеливание 65
Реализация 66
Оптимизация с использованием персонализации 67
Сходство персонализации и рекомендации 68
Контент и анализ текстов 69
Глава 3. Методы исследования данных 71
Распознавание типов данных 72
Структурированные и неструктурированные данные 72
Статические и потоковые данные 77
Определение категорий данных 78
Оценочные данные 80
Поведенческие данные 81
Демографические данные 81
Генерирование моделей аналитического прогнозирования 82
Анализ, ориентированный на данные 83
Анализ, ориентированный на пользователей 85
Связь со смежными дисциплинами 86
Статистика 87
Интеллектуальный анализ данных 88
Машинное обучение 88
Глава 4. Сложность данных 91
Поиск ценности в ваших данных 92
Погружение в данные 93
Разнообразие данных 94
Постоянно меняющиеся данные 95
Скорость передачи данных 95
Большой объем данных 95
Сложности в поиске данных 96
Поиск по ключевым словам 96
Семантический поиск 97
Контекстный поиск 99
Отличие бизнес-аналитики от анализа больших данных 103
Исследование необработанных данных 104
Идентификация атрибутов данных 104
Изучение типичных визуализаций данных 105
Табличные визуализации 105
Облака слов 107
“Подобное притягивает подобное” как принцип представления
новых данных 107
Графы 109
Типичные средства визуализации 111
Часть 2. Включение алгоритмов в модели 113
Глава 5. Применение моделей 115
Данные для моделирования 116
Модели и моделирование 117
Классификация моделей 119
Описание и обобщение данных 121
Принятие более эффективных бизнес-решений 121
Примеры аналитики в сфере здравоохранения 122
Проект Google Flu Trends 122
Предикторы выживаемости при раке 124
Социальная и маркетинговая аналитика 126
Сеть магазинов Target предсказывает беременность 126
Предсказание землетрясений на базе социальной сети Twitter 127
Предикторы результатов политической кампании, основанные на Твиттере 129
Твиты как предикторы для фондового рынка 131
Прогнозирование колебаний цен на акции по новостным статьям 132
Анализ использования велосипедов в Нью-Йорке 133
Предсказания и ответы 136
Сжатие данных 137
Прогностика и ее связь с аналитическим прогнозированием 138
Прогностика и обеспечение надежности оборудования 138
Рост использования открытых данных 139
Глава 6. Выявление сходства в данных 141
Объяснение кластеризации данных 142
Обоснование 144
Преобразование необработанных данных в матрицу 146
Создание матрицы терминов в документах 146
Выбор термина 148
Идентификация групп в данных 148
Алгоритм кластеризации K-средних 149
Кластеризация методом ближайших соседей 153
Алгоритмы на основе плотности 156
Поиск ассоциаций в элементах данных 158
Алгоритм Apriori 159
Применение биологически вдохновленных методов кластеризации 162
Стая птиц: алгоритм Flock by Leader 163
Муравьиные колонии 168
Глава 7. Прогнозирование на основе классификации данных 173
Введение в классификацию данных 175
Кредитование 175
Маркетинг 176
Здравоохранение 177
Что дальше? 178
Использование классификации данных в бизнесе 178
Изучение процесса классификации данных 181
Использование классификации данных для прогнозирования будущего 182
Деревья решений 183
Алгоритмы генерации деревьев решений 185
Метод опорных векторов 190
Ансамблевые методы для повышения точности прогноза 192
Наивный байесовский алгоритм классификации 193
Основы наивного байесовского классификатора 194
Марковская модель 198
Линейная регрессия 204
Нейронные сети 204
Глубокое обучение 207
Ренессанс нейронных сетей 207
Введение в глубокое обучение 208
Часть 3. Планирование 213
Глава 8. Как убедить руководство одобрить проект
по аналитическому прогнозированию 215
Разработка бизнес-сценария 217
Выгоды для бизнеса 217
Получение поддержки от заинтересованных сторон 225
Работа со спонсорами 226
Одобрение проекта со стороны
бизнес-руководства и администрации 228
Одобрение проекта со стороны IT‑менеджеров 230
Быстрое создание прототипов 235
Презентация предложения 236
Глава 9. Подготовка данных 239
Перечисление бизнес-целей 240
Определение связанных целей 241
Сбор требований пользователей 242
Обработка данных 242
Идентификация данных 242
Очистка данных 244
Генерация любых производных данных 245
Уменьшение размерности данных 246
Применение анализа главных компонентов 247
Использование сингулярного разложения 249
Работа с признаками 251
Выбор признаков 252
Извлечение признаков 254
Ранжирование признаков 255
Структурирование данных 256
Извлечение, преобразование и загрузка данных 256
Поддержание данных в актуальном состоянии 257
Планирование тестирования и организация тестовых данных 258
Глава 10. Создание прогностической модели 261
Начало 262
Определение бизнес-целей 264
Подготовка данных 265
Выбор алгоритма 268
Разработка и тестирование модели 270
Разработка модели 270
Тестирование модели 271
Оценка модели 274
Дальнейшая работа с моделью 275
Развертывание модели 275
Мониторинг и поддержка модели 276
Глава 11. Визуализация аналитических данных 277
Визуализация как инструмент прогнозирования 278
Чем важна визуализация 278
Получение выгоды от визуализации 280
Устранение сложностей 281
Оценка визуализации 282
Насколько релевантная эта картина? 282
Насколько интерпретируема картина? 282
Достаточно ли проста картина? 283
Приводит ли картина к новым плодотворным идеям? 283
Визуализация аналитических результатов моделирования 284
Визуализация скрытых группировок в данных 284
Визуализация результатов классификации данных 284
Визуализация выбросов в данных 286
Визуализация деревьев решений 287
Визуализация прогнозов 288
Новые средства визуализации в аналитическом прогнозировании 290
Алгоритм Flock by Leader для визуализации данных 291
Инструменты визуализации больших данных 295
Tableau 295
Google Charts 296
Plotly 296
Infogram 296
Часть 4. Программирование методов аналитического
прогнозирования 297
Глава 12. Примеры создания типичных прогностических моделей 299
Инсталляция программных пакетов 300
Инсталляция интерпретатора Python 300
Инсталляция модуля машинного обучения 303
Инсталляция зависимостей 307
Подготовка данных 311
Получение примера набора данных 311
Разметка данных 311
Прогнозирование с использованием алгоритмов классификации 313
Создание модели обучения
с учителем с помощью метода SVM 313
Загрузка данных 314
Обучение модели 315
Создание модели обучения с учителем на основе логистической регрессии 321
Создание модели обучения с учителем на основе случайного леса 327
Сравнение моделей классификации 329
Глава 13. Примеры прогнозирования без учителя 331
Получение примера набора данных 332
Использование алгоритмов кластеризации для прогнозирования 332
Сравнение моделей кластеризации 333
Создание модели обучения без учителя с помощью K-средних 334
Создание модели обучения без учителя с помощью алгоритма DBSCAN 345
Создание модели обучения без учителя с помощью алгоритма сдвига
среднего значения 349
Глава 14. Аналитическое прогнозирование на языке R 353
Программирование на языке R 355
Инсталляция интерпретатора языка R 356
Инсталляция среды RStudio 356
Знакомство со средой 357
Немного о языке R 359
Вызов функции 363
Прогнозирование с помощью языка R 364
Прогнозирование с помощью регрессии 364
Использование классификации для прогнозирования 375
Классификация с помощью случайного леса 383
Глава 15. Как избежать ловушек в процессе анализа данных 389
Проблемы, связанные с данными 390
Ограничения, связанные с данными 392
Работа с экстремальными случаями (выбросами) 394
Сглаживание данных 398
Приближение кривой 402
Делайте как можно меньше предположений 405
Проблемы анализа 406
Анализ с учителем 407
Опираясь только на один анализ 407
Описание ограничений модели 408
Избегайте немасштабируемых моделей 410
Точная оценка прогнозов 411
Часть 5. Большие данные 413
Глава 16. Ориентация на большие данные 415
Основные технологические тенденции в аналитическом прогнозировании 416
Изучение аналитического прогнозирования как услуги 417
Агрегирование распределенных данных для анализа 417
Анализ, управляемый данными в реальном времени 419
Применение инструментов с открытым исходным кодом к большим данным 420
Платформа Apache Hadoop 421
Apache Yarn 423
Платформа Apache Spark 427
Основные компоненты платформы Spark 430
Глава 17. Подготовка к анализу данных предприятия 433
Корпоративная архитектура для анализа больших данных 434
Аналитика как услуга 437
Google Analytics 438
Microsoft Revolution R Enterprise 440
Подготовка прототипа
по аналитическому прогнозированию 441
Создание прототипов для аналитического прогнозирования 441
Тестирование модели аналитического прогнозирования 445
Часть 6. Великолепные десятки 447
Глава 18. Десять причин для внедрения аналитического прогнозирования 449
Определение бизнес-целей 450
Изучение данных 451
Организация данных 452
Удовлетворение клиентов 453
Сокращение эксплуатационных расходов 454
Увеличение доходности инвестиций (ROI) 455
Получение быстрого доступа к информации 456
Принятие обоснованных решений 457
Получение конкурентного преимущества 458
Улучшение бизнеса 458
Глава 19. Десять шагов к построению модели 461
Создание группы аналитического прогнозирования 462
Получение бизнес-опыта 462
Привлечение IT-специалистов и математиков 462
Постановка бизнес-целей 463
Подготовка данных 464
Выборка данных 464
Избегайте ситуации “мусор на входе, мусор на выходе” 465
Простота — не глупость 465
Подготовка данных — важный фактор успеха 466
Достижение быстрых побед 466
Стимулирование изменений в организации 467
Создание развертываемых моделей 468
Оценка модели 469
Обновление модели 470
Предметный указатель 472

Автор: Бари Анассе, Юнг Томми, Чаучи Мохамед
Переводчик: Клюшин Дмитрий Анатольевич
Издательство: Диалектика
Жанр: Анализ данных и др.
Формат: бумажный
Дата выхода: апрель 2020
Страниц: 480

Скрытая ссылка