更新时间：2023-11-02 20:12:02
封面
版权信息
本书特色
前言
献词
第一部分 原理与思考
第1章 机器学习与大数据
1.1 机器为何能学习
1.1.1 人类为何能学习
1.1.2 从个案学习到统计学习
1.1.3 统计学习是否可信
1.2 机器是怎样学习的
1.2.1 机器学习的框架：假设+目标+寻解
1.2.2 如何在机器学习场景中应用大数定律
1.2.3 大数据对机器学习的意义
1.2.4 小结
1.3 跨上人工智能的战车
1.3.1 大数据的概念及价值
1.3.2 企业为何要搭上人工智能的战车
1.3.3 企业如何搭上人工智能的战车
1.3.4 人工智能技术团队的建设
第2章 机器学习框架的深入探讨
2.1 机器为何能学习（续）：故事结束了吗？我们需要更多的模型吗
2.1.1 牛顿第二定律的遗留问题
2.1.2 新的需求场景
2.1.3 不同的目标
2.1.4 不同的寻解
2.1.5 小结与回顾
2.2 重要权衡与过拟合
2.2.1 重要权衡的四张“面孔”
2.2.2 过拟合的成因和防控
2.2.3 小结与回顾
第3章 从线性函数到非线性函数，如何构建强大的模型
3.1 从线性函数到非线性函数
3.1.1 线性模型的不足
3.1.2 怎样扩展假设空间
3.2 核函数方法
3.2.1 正则化的另一种理解与SVM模型
3.2.2 核函数的思路
3.3 多模型组合的方法
3.3.1 组合模型的两个好处
3.3.2 实现组合模型的两个步骤和方法
3.3.3 装袋方式
3.3.4 提升方式
3.3.5 切分方式
3.3.6 小结
3.4 神经网络与深度学习
3.4.1 神经网络和深度学习的模型思路
3.4.2 组建神经网络
3.4.3 神经网络模型的优化
3.4.4 非线性变换函数的选择
3.4.5 神经网络结构的选择
3.4.6 深度学习得到发展的前提及其具备的优势
3.4.7 深度学习的重要衍生功能
第4章 机器学习的建模实践
4.1 业务建模
4.1.1 如何做好业务建模
4.1.2 案例：两个不同的排序模型
4.2 特征工程
4.2.1 特征工程的定义
4.2.2 信息可以存储在特征中，也可以存储在模型中
4.2.3 特征工程案例
4.2.4 特征的类型和维度
4.2.5 特征存在缺失或错误值时怎么办
4.2.6 特征降维和选择
4.3 样本处理
4.3.1 训练样本的基本概念
4.3.2 训练样本的常见问题及其解决方案
4.4 模型评估
4.4.1 业务目标的评估
4.4.2 模型目标的评估
4.5 小结
第二部分 应用与方法
第5章 电商平台促销策略模型
5.1 业务背景
5.1.1 互联网的盈利模式
5.1.2 广告定价机制
5.2 传统的促销方案
5.2.1 问题1：如何选择促销时机
5.2.2 问题2：如何为店铺制定广告消费任务
5.2.3 问题3：如何设置优惠定价模型
5.3 基于竞争传播的颠覆创新
5.3.1 颠覆创新的思考
5.3.2 竞争传播模型
5.3.3 种子集合筛选算法
5.4 小结
第6章 计算机视觉及其应用产品的构建
6.1 计算机视觉产品的问题背景
6.2 图像的特征表示
6.2.1 SIFT特征
6.2.2 CNN模型与特征
6.2.3 实现高速计算的方法：特征降维
6.3 视觉产品的构建案例
6.3.1 如何在海量数据中寻找匹配的图像
6.3.2 如何识别和理解图像中的实体信息
6.3.3 其他计算机视觉领域常见任务
6.4 计算机视觉应用的产业分析
6.4.1 计算机视觉在互联网行业的应用
6.4.2 计算机视觉在传统行业的应用
6.5 小结
