商品編號:DJAA2V-A900DV4JN
銷售 AI 化!看資料科學家如何思考,用 Python 打造能賺錢的機器學習模型
$490
$620
折價券
- P幣
全盈+PAY單筆消費滿1200回饋80P幣(限量)
- P幣
刷星展PChome聯名卡週四加碼回饋P幣2%
- 登記送
【全家】單筆滿$350純取貨/取貨付款訂單登記送日式稻荷壽司兌換券乙張(限量)
付款方式
- 信用卡、無卡分期、行動支付,與其他多種方式
- PChome 聯名卡最高6%,新戶再享首刷禮1000P
出貨
配送
宅配滿$490免運,超取滿$350免運
- 宅配到府(本島/低溫)滿$699免運
- 宅配到府(本島/常溫)滿$490免運
- 超商取貨(常溫)滿$350免運
- 超商取貨(低溫)滿$699免運
- i郵箱(常溫)滿$290免運
銀行卡、行動支付
優惠總覽
商品評價
商品詳情
作者: | |
譯者: | 王心薇/施威銘研究室(監修) |
ISBN: | 9789863127024 |
出版社: | |
出版日期: | 2022/02/15 |
內文簡介
- <內容簡介>
【世界發生劇變!銷售 AI 化勢在必行!】
AI 議題已經講了好多年,然而絕大多數的企業仍然沿用老路子做生意,亂槍打鳥式的銷售方式也沒甚麼進步。然而時代不同了,既然有 AI 這個好工具為何不用?因為不懂不會所以不知該如何開始?眼睜睜看著 Google、Facebook 靠著 AI 化的銷售技術大賺特賺!
其實,AI 不是大企業才能作,中小企業也可以,但不是全面做,而是挑選適合的做。最容易做到且很快就能換成實績的就是行銷、業務的銷售工作,只要利用自身累積的銷售與客戶等資料就行,讓 AI 自動找出其中隱藏的銷售密碼,並直接運用在工作中驗證,這就是本書的主軸:銷售 AI 化,讓機器學習來幫忙。
【AI 不是打高空,要落實在工作中】
許多工程師學了 AI 技術,卻不知道如何讓技術落地!其實開發以銷售為目的的 AI 並不需要高深的技術,只要用機器學習就能辦到。書中範例使用的都是真實企業產生的工作資料,例如要預測潛在客戶時,可讓 AI 從客戶職業、年齡與過去的銷售實績等資料自動學習,找出資料間的關係建出模型並做出預測,我們就可以對商品或客戶擬定策略去執行計畫。也可以依據過去幾年的每日銷量,考慮節假日的影響,利用 Facebook 提供的時間序列套件去預測未來一段時間的銷量等等。
重要的商用實作範例包括:
●銷售成交預測
●銷量或來客數預測
●季節週期性變化預測
●推薦商品提案
●根據客群制定銷售策略
本書由世界 500 大企業 Accenture (埃森哲) 公司的 AI 集團資深總監親自執筆,規劃出開發 AI 專案的標準流程,從選擇適合引入工作中的 AI 開始,一路到訓練資料的取得、資料加工、選擇演算法及建立 AI 模型之後的評估與調整等 9 大步驟。即使沒有開發過 AI 專案經驗的人也不用擔心,只要跟著動手做,就能看到成果。
書中的案例會實作監督式學習與非監督式學習中「分類」、「迴歸」、「時間序列」、「關聯分析」、「分群」、「降維」等各種演算法,讓讀者依照問題的類型選擇適用的處理模式。而且每個專案都不馬虎,從頭做到尾一遍一遍演練 SOP,將流程深深印入腦海,熟悉每個步驟之後才能順利應用到自己的專案。
【邁向資料科學家之路】
書中提供的所有 Python 程式都是可以運用在實務工作上的原型,每個人都可以利用這些原型建出自己想要的機器學習模型。了解如何從實務觀點建立 AI,藉由本書了解整個專案的開發流程以及 Python 程式的實作方式,也等於邁出成為資料科學家的第一步。
許多書籍在教導讀者建出 AI 模型後就結束了,但資料科學家最有價值之處就在於建出預測模型後該如何因應提出的需求做調整,本書也會詳細介紹數種調整模型的方法與策略。
【適合的讀者程度】
無論是 MIS、程式設計師、業務或行銷主管、只要具備 Python 程式基礎就可以開始。AI 專案常用的 NumPy、Pandas 與 Matplotlib 等必備 Python 套件,也會在書附講座中一一介紹供讀者練習。開發環境是雲端的 Google Colaboratory,只要能上網就能用,省去在自己電腦安裝軟體的麻煩。
★本書特色:
1. 世界 500 大 Accenture (埃森哲) 公司 AI 集團資深總監親自執筆
2. 實用性最高!能實際運用在提高公司的銷售績效。
3. 一點都不難!只要具備 Python 語言基礎就能上手。
4. 由施威銘研究室監修,在適當的地方補充說明幫助讀者理解。
★目錄:
第 1 章 實務的機器學習應用
1.1 本書目的
1.2 參與機器學習專案的人員
1.3 機器學習開發流程
1.4 未來實務專家需具備的技能
1.5 本書架構
第 2 章 解決問題的處理模式
2.1 AI 與機器學習的關係
2.2 機器學習的三種學習方式
2.3 監督式學習的處理模式
2.3.1 分類(Classification)
2.3.2 迴歸(Regression)
2.3.3 時間序列(Time series)
2.4 非監督式學習的處理模式
2.4.1 關聯分析(Association analysis)
2.4.2 分群(Clustering)
2.4.3 降維(Dimension reduction)
2.5 選擇正確的處理模式
2.6 深度學習與結構化、非結構化資料
第 3 章 機器學習模型的開發流程
3.1 模型開發流程
3.2 範例資料與目的說明
3.2.1 範例資料說明
3.2.2 模型的目的
3.3 模型的實作
3.3.1 (1)載入資料
3.3.2 (2)確認資料
3.3.3 (3)預處理資料
3.3.4 (4)分割資料
3.3.5 (5)選擇演算法
3.3.6 (6)訓練
3.3.7 (7)預測
3.3.8 (8)評估
3.3.9 (9)調整
專欄 關於公開資料集
第 4 章 開發流程的深入探討
4.1 確認資料
4.1.1 以數值或統計方式進行分析
4.1.2 視覺化的分析與確認方法
4.2 預處理資料
4.2.1 刪除多餘的資料欄位
4.2.2 處理缺失值
4.2.3 將二元資料數值化
4.2.4 多元資料數值化
4.2.5 資料標準化
4.2.6 其它預處理資料的做法
4.3 選擇演算法
4.3.1 分類模型的代表性演算法與其特色
4.3.2 範例程式碼使用的資料
4.3.3 邏輯斯迴歸(Logistic regression)
4.3.4 支援向量機(SVM)- Kernel method
4.3.5 神經網路演算法(Neural network)
4.3.6 決策樹(Decision tree)
4.3.7 隨機森林(Random forests)
4.3.8 XGBoost
4.3.9 如何選擇演算法
4.4 評估
4.4.1 混淆矩陣(confusion matrix)
4.4.2 正確率、精確性、召回率、F 分數
4.4.3 機率值與閾值
4.4.4 PR 曲線與 ROC 曲線
4.4.5 輸入特徵(資料欄位)的重要性
4.4.6 迴歸模型的評估方法
4.5 調整
4.5.1 多試幾種演算法
4.5.2 演算法參數最佳化
4.5.3 交叉驗證
4.5.4 網格搜尋
第 5 章 銷售 AI 化的案例實作
5.1 銷售成交預測 - 分類模型
5.1.1 問題類型與實務工作場景
5.1.2 範例資料說明與使用案例
5.1.3 模型的概要
5.1.4 從載入資料到確認資料
5.1.5 預處理資料與分割資料
5.1.6 選擇演算法
5.1.7 訓練、預測、評估
5.1.8 調整
5.1.9 重要性分析
專欄 瑕疵與疾病判定模型
5.2 銷量或來客數預測 - 迴歸模型
5.2.1 問題類型與實務工作場景
5.2.2 範例資料說明與使用案例
5.2.3 模型的概要
5.2.4 從載入資料到確認資料
5.2.5 預處理資料與分割資料
5.2.6 選擇演算法
5.2.7 訓練與預測
5.2.8 評估
5.2.9 調整
5.2.10 重要性分析
5.3 季節週期性變化預測 - 時間序列模型
5.3.1 問題類型與實務工作場景
5.3.2 範例資料說明與使用案例
5.3.3 模型的概要
5.3.4 從載入資料到確認資料
5.3.5 預處理資料與分割資料
5.3.6 選擇演算法
5.3.7 訓練與預測
5.3.8 評估
5.3.9 調整(1)
5.3.10 調整(2)
5.3.11 迴歸與時間序列模型的選擇
專欄 「冰淇淋消費預測」的時間序列模型
5.4 推薦商品提案 - 關聯分析模型
5.4.1 問題類型與實務工作場景
5.4.2 範例資料說明與使用案例
5.4.3 模型的概要
5.4.4 從載入資料到確認資料
5.4.5 預處理資料
5.4.6 選擇演算法與分析
5.4.7 調整
5.4.8 關係圖的視覺化
5.4.9 更高階的分析 – 協同過濾
專欄 「尿布與啤酒」僅是都市傳說
5.5 根據客群制定銷售策略 - 分群、降維模型
5.5.1 問題類型與實務工作場景
5.5.2 範例資料說明與使用案例
5.5.3 模型的概要
5.5.4 從載入資料到確認資料
5.5.5 執行分群
5.5.6 分析分群結果
5.5.7 執行降維
5.5.8 降維的運用方式
第 6 章 AI 專案成敗的重要關鍵
6.1 選擇機器學習的適用問題
6.1.1 選擇適合解決問題的模型
6.1.2 取得標準答案是監督式學習的首要工作
6.1.3 勿對 AI 抱持 100% 的期待
6.2 取得並確認工作資料
6.2.1 確認資料來源
6.2.2 跨部門資料整合問題
6.2.3 資料的品質
6.2.4 One-Hot 編碼的問題
專欄 機器學習模型的自動建構工具 AutoML
講座 1 Google Colaboratory 基本操作
講座 2 機器學習的 Python 常用套件
講座 2.1 NumPy 入門
講座 2.2 Pandas 入門
講座 2.3 Matplotlib 入門
<作者簡介>
Masanori Akaishi
世界 500 大 Accenture 公司商業諮詢總部 AI 集團資深總監。
1985 年畢業於東京大學工學院數值工程系。1987 年在同一研究所完成碩士課程。 同年加入日本 IBM 至 2020 年 12 月。2021 年 3 月加入 Accenture 公司,負責人工智慧人力資源開發相關工作。
學校講師
京都情報學大學院客座教授
著作
《銷售 AI 化!看資料科學家如何思考, 用 Python 打造能賺錢的機器學習模型》、《深度學習的數學地圖–用 Python 實作神經網路的數學模型》(旗標科技)、《實用 Python 自然語言處理入門》(日本翔泳社)、《機器學習與深度學習從 Watson Studio 開始》(日本 RIC Telcom)。此外,也在許多雜誌執筆。
LinkedIn:https://www.linkedin.com/in/makaishi2/
qiita:https://qiita.com/makaishi2
相關分類
購物須知
寄送時間 | 全台灣24h到貨,遲到提供100元現金積點。全年無休,週末假日照常出貨。例外說明 |
---|---|
送貨方式 | 透過宅配送達。除網頁另有特別標示外,均為常溫配送。 消費者訂購之商品若經配送兩次無法送達,再經本公司以電話與Email均無法聯繫逾三天者,本公司將取消該筆訂單,並且全額退款。 |
送貨範圍 | 限台灣本島與離島地區註,部分離島地區包括連江馬祖、綠島、蘭嶼、琉球鄉…等貨件,將送至到岸船公司碼頭,需請收貨人自行至碼頭取貨。注意!收件地址請勿為郵政信箱。 註:離島地區不配送安裝商品、手機門號商品、超大材商品及四機商品。 |
售後服務 | 缺掉頁更換新品 |
執照證號&登錄字號 | 本公司食品業者登錄字號A-116606102-00000-0 |
關於退貨
- PChome24h購物的消費者,都可以依照消費者保護法的規定,享有商品貨到次日起七天猶豫期的權益。(請留意猶豫期非試用期!!)您所退回的商品必須回復原狀(復原至商品到貨時的原始狀態並且保持完整包裝,包括商品本體、配件、贈品、保證書、原廠包裝及所有附隨文件或資料的完整性)。商品一經拆封/啟用保固,將使商品價值減損,您理解本公司將依法收取回復原狀必要之費用(若無法復原,費用將以商品價值損失計算),請先確認商品正確、外觀可接受再行使用,以免影響您的權利,祝您購物順心。
- 如果您所購買商品是下列特殊商品,請留意下述退貨注意事項:
- 易於腐敗之商品、保存期限較短之商品、客製化商品、報紙、期刊、雜誌,依據消費者保護法之規定,於收受商品後將無法享有七天猶豫期之權益且不得辦理退貨。
- 影音商品、電腦軟體或個人衛生用品等一經拆封即無法回復原狀的商品,在您還不確定是否要辦理退貨以前,請勿拆封,一經拆封則依消費者保護法之規定,無法享有七天猶豫期之權益且不得辦理退貨。
- 非以有形媒介提供之數位內容或一經提供即為完成之線上服務,一經您事先同意後始提供者,依消費者保護法之規定,您將無法享有七天猶豫期之權益且不得辦理退貨。
- 組合商品於辦理退貨時,應將組合銷售商品一同退貨,若有遺失、毀損或缺件,PChome將可能要求您依照損毀程度負擔回復原狀必要之費用。
- 若您需辦理退貨,請利用顧客中心「查訂單」或「退訂/退款查詢」的「退訂/退貨」功能填寫申請,我們將於接獲申請之次日起1個工作天內檢視您的退貨要求,檢視完畢後將以E-mail回覆通知您,並將委託本公司指定之宅配公司,在5個工作天內透過電話與您連絡前往取回退貨商品。請您保持電話暢通,並備妥原商品及所有包裝及附件,以便於交付予本公司指定之宅配公司取回(宅配公司僅負責收件,退貨商品仍由特約廠商進行驗收),宅配公司取件後會提供簽收單據給您,請注意留存。
- 退回商品時,請以本公司或特約廠商寄送商品給您時所使用的外包裝(紙箱或包裝袋),原封包裝後交付給前來取件的宅配公司;如果本公司或特約廠商寄送商品給您時所使用的外包裝(紙箱或包裝袋)已經遺失,請您在商品原廠外盒之外,再以其他適當的包裝盒進行包裝,切勿任由宅配單直接粘貼在商品原廠外盒上或書寫文字。
- 若因您要求退貨或換貨、或因本公司無法接受您全部或部分之訂單、或因契約解除或失其效力,而需為您辦理退款事宜時,您同意本公司得代您處理發票或折讓單等相關法令所要求之單據,以利本公司為您辦理退款。
- 本公司收到您所提出的申請後,若經確認無誤,將依消費者保護法之相關規定,返還您已支付之對價(含信用卡交易),退款日當天會再發送E-mail通知函給您。