本书展示了如何在业务场景中应用机器学习，以使业务流程更快、更灵活地适应变化。本书分为三个部分。第一部分介绍有效的决策如何帮助公司提高生产率以保持竞争力，阐释如何使用开源工具和AWS工具将机器学习应用于业务决策中。第二部分以虚拟人物为主线，研究六个场景，这些场景展示了如何使用机器学习来制定各种业务决策。第三部分讨论如何在Web上设置和共享机器学习模型，以便公司使用机器学习进行决策，还介绍了一些案例，表明公司如何应对使用机器学习进行决策时所带来的变化。

第一部分 场景化机器学习
第1章 机器学习如何应用于业务
1.1 为什么我们的业务系统如此糟糕
1.2 为什么如今自动化很重要
1.2.1 什么是生产率
1.2.2 机器学习如何提高生产率
1.3 机器如何做出决策
1.3.1 人：是否基于规则
1.3.2 你能相信一个基于模式的答案吗
1.3.3 机器学习如何能提升你的业务系统
1.4 机器能帮Karen做决策吗
1.4.1 目标变量
1.4.2 特征
1.5 机器如何学习
1.6 在你的公司落实使用机器学习进行决策
1.7 工具
1.7.1 AWS和SageMaker是什么，它们如何帮助你
1.7.2 Jupyter笔记本是什么
1.8 配置SageMaker为解决第2~7章中的场景做准备
1.9 是时候行动了
1.10 小结
第二部分 公司机器学习的六个场景
第2章 你是否应该将采购订单发送给技术审批人
2.1 决策
2.2 数据
2.3 开始你的训练过程
2.4 运行Jupyter笔记本并进行预测
2.4.1 第一部分：加载并检查数据
2.4.2 第二部分：将数据转换为正确的格式
2.4.3 第三部分：创建训练集、验证集和测试集
2.4.4 第四部分：训练模型
2.4.5 第五部分：部署模型
2.4.6 第六部分：测试模型
2.5 删除端点并停止你的笔记本实例
2.5.1 删除端点
2.5.2 停止笔记本实例
2.6 小结
第3章 你是否应该致电客户以防客户流失
3.1 你在决策什么
3.2 处理流程
3.3 准备数据集
3.3.1 转换操作1：标准化数据
3.3.2 转换操作2：计算周与周之间的变化
3.4 XGBoost基础
3.4.1 XGBoost的工作原理
3.4.2 机器学习模型如何确定函数的AUC的好坏
3.5 准备构建模型
3.5.1 将数据集上传到S
3.5.2 在SageMaker上设置笔记本
3.6 构建模型
3.6.1 第一部分：加载并检查数据
3.6.2 第二部分：将数据转换为正确的格式
3.6.3 第三部分：创建训练集、验证集和测试集
3.6.4 第四部分：训练模型
3.6.5 第五部分：部署模型
3.6.6 第六部分：测试模型
3.7 删除端点并停止笔记本实例
3.7.1 删除端点
3.7.2 停止笔记本实例
3.8 检查以确保端点已被删除
3.9 小结
第4章 你是否应该将事件上报给支持团队
4.1 你在决策什么
4.2 处理流程
4.3 准备数据集
4.4 NLP
4.4.1 生成词向量
4.4.2 决定每组包含多