銷售 AI 化！看資料科學家如何思考, 用 Pyt...

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

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...