更新时间：2024-01-08 16:58:09
封面
版权信息
作者简介
内容简介
推荐语
推荐序一
推荐序二
序言一
序言二
前言
第1章 互联网业务安全简述
1.1 互联网业务安全现状
1.2 如何应对挑战
1.3 本章小结
参考资料
第2章 机器学习入门
2.1 相似性
2.1.1 范数
2.1.2 度量
2.2 矩阵
2.2.1 线性空间
2.2.2 线性算子
2.3 空间
2.3.1 内积空间
2.3.2 欧几里得空间（Euclid space）
2.3.3 酉空间
2.3.4 赋范线性空间
2.3.5 巴拿赫空间
2.3.6 希尔伯特空间
2.3.7 核函数
2.4 机器学习中的数学结构
2.4.1 线性结构与非线性结构
2.4.2 图论基础
2.4.3 树
2.4.4 神经网络
2.4.5 深度网络结构
2.4.6 小结
2.5 统计基础
2.5.1 贝叶斯统计
2.5.2 共轭先验分布
2.6 策略与算法
2.6.1 凸优化的基本概念
2.6.2 对偶原理
2.6.3 非线性规划问题的解决方法
2.6.4 无约束问题的最优化方法
2.7 机器学习算法应用的经验
2.7.1 如何定义机器学习目标
2.7.2 如何从数据中获取最有价值的信息
2.7.3 评估模型的表现
2.7.4 测试效果远差于预期怎么办
2.8 本章小结
第3章 模型
3.1 基本概念
3.2 模型评价指标
3.2.1 混淆矩阵
3.2.2 分类问题的基础指标
3.2.3 ROC曲线与AUC
3.2.4 基尼系数
3.2.5 回归问题的评价指标
3.2.6 交叉验证
3.3 回归算法
3.3.1 最小二乘法
3.3.2 脊回归
3.3.3 Lasso回归线性模型
3.3.4 多任务Lasso
3.3.5 L1、L2正则杂谈
3.4 分类算法
3.4.1 CART算法
3.4.2 支持向量机
3.5 降维
3.5.1 贝叶斯网络
3.5.2 主成分分析
3.6 主题模型LDA
3.6.1 马尔可夫链蒙特卡罗法
3.6.2 贝叶斯网络与生成模型
3.6.3 学习方法在LDA中的应用
3.7 集成学习方法（Ensemble Method）
3.7.1 Boosting方法
3.7.2 Bootstrap Aggregating方法
3.7.3 Stacking方法
3.7.4 小结
第4章 机器学习实践的基础包
4.1 简介
4.2 Python机器学习基础环境
4.2.1 Jupyter Notebook
4.2.2 Numpy、Scipy、Matplotlib和pandas
4.2.3 scikit-learn、gensim、TensorFlow和Keras
4.3 Scala的基础库
4.3.1 Zeppelin
4.3.2 Breeze
4.3.3 Spark MLlib
4.4 本章小结
第5章 机器学习实践的金刚钻
5.1 简介
5.2 XGBoost
5.3 Prediction IO（PIO）
5.3.1 部署PIO
