算法与数据中台：基于Google、Facebook与微博实践

封面

版权信息

作者简介

内容简介

推荐语（按姓氏笔画排序）

推荐序

前言

第1章 算法与数据中台概述

1.1 中台的背景和意义

1.2 算法与数据中台的功能价值

1.3 算法与数据中台的技术体系

1.4 算法与数据中台的实践场景

1.5 算法与数据中台的应用前景

1.6 本章总结

第2章 中台技术之基础设施

2.1 研发效率系统

2.2 服务通信系统

2.3 监控报警系统

2.4 链路跟踪系统

2.5 本章总结

第3章 中台技术之在线算法系统

3.1 物料检索系统

3.2 模型预估服务

3.3 策略机制引擎

3.4 集群管理平台

3.5 效果评估系统

3.6 本章总结

第4章 中台技术之机器学习平台

4.1 机器学习平台简介

4.2 传统机器学习算法

4.3 深度学习算法

4.4 模型框架基本原理

4.5 层结构的模型框架

4.6 数据流结构的模型框架

4.7 复合结构的模型框架

4.8 机器学习平台简介

4.9 新浪微博 WBL 机器学习平台

4.10 本章总结

第5章 中台技术之分布式数据库

5.1 分布式数据库概述

5.2 分布式数据库技术

5.3 分布式数据库产品

5.4 LaserDB 分布式数据库

5.5 LaserDB 应用案例分析

5.6 本章总结

第6章 中台技术之大数据平台

6.1 大数据平台概述

6.2 分布式协调系统

6.3 集群管理系统

6.4 分布式文件系统

6.5 消息管道系统

6.6 分布式计算系统

6.7 数据仓库与分布式查询系统

6.8 本章总结

第7章 中台实践之推荐系统

7.1 推荐系统的背景简介

7.2 推荐系统的算法模型

7.3 推荐系统的效果度量

7.4 Facebook 信息流推荐简介

7.5 本章总结

第8章 中台实践之数字广告

8.1 数字广告的背景简介

8.2 数字广告系统架构

8.3 数字广告系统中的数据管理

8.4 数字广告系统中的受众定向

8.5 数字广告系统中的策略机制

8.6 本章总结

第9章 中台实践之网约车平台

9.1 业务简介

9.2 技术架构

9.3 打车定价场景

9.4 打车排队场景

9.5 打车安全场景

9.6 本章总结