。。。

。。。

**部分 數據科學和Microsoft Azure Machine Learning導論
第1章 數據科學導論
1.1 數據科學是什麼
1.2 分析頻譜
1.2.1 描述性分析
1.2.2 診斷性分析
1.2.3 預測性分析
1.2.4 規定性分析
1.3 為何重要，為何現在
1.3.1 把數據看作競爭資產
1.3.2 客戶需求的增長
1.3.3 對數據挖掘技術認識的提高
1.3.4 訪問*多數據
1.3.5 *快、*廉價的處理能力
1.3.6 數據科學流程
1.4 常見數據科學技術
1.4.1 分類算法
1.4.2 聚類算法
1.4.3 回歸算法
1.4.4 模擬
1.4.5 內容分析
1.4.6 **引擎
1.5 數據科學的前沿
1.6 小結
第2章 Microsoft Azure
Learning導論
2.1 你好，Machine Learning Studio
2.2 實驗的組件
2.3 Gallery簡介
2.4 創建訓練實驗的5個簡單步驟
2.4.1**步：獲取數據
2.4.2第2步：預處理數據
2.4.3第3步：定義特征
2.4.4第4步：選擇和應用學習
算法
2.4.5第5步：在新數據之上做
預測
2.5 在生產環境裡部署你的模型
2.5.1 創建預測實驗
2.5.2 把你的實驗發布成
服務
2.5.3 訪問Azure Machine Learning的
Web服務
2.6 小結
第3章 數據準備
3.1 數據清理和處理
3.1.1 了解你的數據
3.1.2 缺失值和空值
3.1.3 處理重復記錄
3.1.4 識別並移除離群值
3.1.5 特征歸一化
3.1.6 處理類別不均
3.2 特征選擇
3.3 特征工程
3.3.1 分裝數據
3.3.2 維度災難
3.4 小結
第4章 整合
4.1 R概覽
4.2 構建和部署你的SHOUgeR腳本
4.3 使用R進行數據預處理
4.4 使用腳本包（ZIP）
4.5 使用R構建和部署決策樹
4.6 小結
第5章 整合Py
5.1 概覽
5.2 Python快速上手
5.3 在Azure ML實驗裡使用Python
5.4 使用Python進行數據預處理
5.4.1 使用Python合並數據
5.4.2 使用Python處理缺失值
5.4.3 使用Python進行特征選擇
5.4.4 在Azure ML實驗裡運行
Python代碼
5.5 小結
第2部分 統計學和機器學習算法
第6章 統計學和機器學習算法概覽
6.1 回歸算法
6.1.1 線性回歸
6.1.2 神經網絡
6.1.3 決策樹
6.1.4 提升決策樹
6.2 分類算法
6.2.1 支持向量機
6.2.2 貝葉斯點機
6.3 聚類算法
6.4 小結
第3部分 實用應用程序
第7章 構建客戶傾向模型
7.1 業務問題
7.2 數據獲取和準備
7.3 訓練模型
7.4 模型測試和驗證
7.5 模型的性能
7.6 確定評估指標的優先級
7.7 小結
第8章 使用Power BI可視化你的
模型
8.1 概覽
8.2 Power BI簡介
8.3 使用Power BI可視化的三種
方案
8.4 在Azure Machine Learning裡給你的
數據評分，並在Excel裡可視化
8.5 在Excel裡評分並可視化你的
數據
8.6 在Azure Machine Learning裡給你的
數據評分，並在powerbi.com裡
可視化
8.6.1 加載數據
8.6.2 構建你的儀表板
8.7 小結
第9章 構建流失模型
9.1 流失模型概覽
9.2 構建和部署客戶流失模型
9.2.1 準備和了解數據
9.2.2 數據預處理和特征選擇
9.2.3 用於預測流失的分類模型
9.2.4 評估客戶流失模型的性能
9.3 小結
**0章 客戶細分模型
10.1 客戶細分模型概覽
10.2 構建和部署你的DIYI個K均值聚類模型
10.2.1 特征散列
10.2.2 找出合適的特征
10.2.3 K均值聚類算法的屬性
10.3 批發客戶的客戶細分
10.3.1 從UCI機器學習庫加載數據
10.3.2 使用K均值聚類算法進行批發客戶細分
10.3.3 新數據的聚類分配
10.4 小結
**1章 構建預見性維護模型
11.1 概覽
11.2 預見性維護場景
11.3 業務問題
11.4 數據獲取和準備
11.4.1 數據集
11.4.2 數據加載
11.4.3 數據分析
11.5 訓練模型
11.6 模型測試和驗證
11.7 模型性能
11.8 改善模型的技術
11.9 模型部署
11.9.1 創建預測實驗
11.9.2 把你的實驗部署成Web服務
11.10 小結
**2章 **繫統
12.1 概覽
12.2 **繫統的方案和場景
12.3 業務問題
12.4 數據獲取和準備
12.5 訓練模型
12.6 模型測試和驗證
12.7 小結
**3章 使用和發布Azure Marketplace上的模型
13.1 什麼是機器學習API

13.2 如何使用Azure Marketplace的API

13.3 在Azure Marketplace裡發布你自己的模型
13.4 為你的機器學習模型創建和發布Web服務
13.4.1 創建評分實驗
13.4.2 把你的實驗發布成Web服務
13.5 獲取API密鑰和OData端點信息
13.6 把你的模型發布為AzureMarketplace裡API

13.7 小結
**4章 Cortana分析
14.1 Cortana分析套件是什麼
14.2 Cortana分析套件的功能
14.3 示例場景
14.4 小結

。。。