目录<br />前言<br />第一部分 原理与思考<br />第1章 机器学习与大数据2<br />1.1 机器为何能学习2<br />1.1.1 人类为何能学习2<br />1.1.2 从个案学习到统计学习3<br />1.1.3 统计学习是否可信5<br />1.2 机器是怎样学习的9<br />1.2.1 机器学习的框架：假设＋目标＋寻解9<br />1.2.2 如何在机器学习场景中应用大数定律14<br />1.2.3 大数据对机器学习的意义17<br />1.2.4 小结20<br />1.3 跨上人工智能的战车20<br />1.3.1 大数据的概念及价值20<br />1.3.2 企业为何要搭上人工智能的战车24<br />1.3.3 企业如何搭上人工智能的战车27<br />1.3.4 人工智能技术团队的建设38<br />第2章 机器学习框架的深入探讨40<br />2.1 机器为何能学习（续）：故事结束了吗？我们需要更多的<br /> ?模型吗40<br />2.1.1 牛顿第二定律的遗留问题40<br />2.1.2 新的需求场景43<br />2.1.3 不同的目标49<br />2.1.4 不同的寻解54<br />2.1.5 小结与回顾60<br />2.2 重要权衡与过拟合62<br />2.2.1 重要权衡的四张“面孔”62<br />2.2.2 过拟合的成因和防控68<br />2.2.3 小结与回顾77<br />第3章 从线性函数到非线性函数，如何构建强大的模型78<br />3.1 从线性函数到非线性函数78<br />3.1.1 线性模型的
不足78<br />3.1.2 怎样扩展假设空间79<br />3.2 核函数方法82<br />3.2.1 正则化的另一种理解与SVM模型82<br />3.2.2 核函数的思路86<br />3.3 多模型组合的方法88<br />3.3.1 组合模型的两个好处88<br />3.3.2 实现组合模型的两个步骤和方法89<br />3.3.3 装袋方式91<br />3.3.4 提升方式92<br />3.3.5 切分方式93<br />3.3.6 小结96<br />3.4 神经网络与深度学习97<br />3.4.1 神经网络和深度学习的模型思路97<br />3.4.2 组建神经网络98<br />3.4.3 神经网络模型的优化99<br />3.4.4 非线性变换函数的选择102<br />3.4.5 神经网络结构的选择104<br />3.4.6 深度学习得到发展的前提及其具备的优势107<br />3.4.7 深度学习的重要衍生功能111<br />第4章 机器学习的建模实践122<br />4.1 业务建模122<br />4.1.1 如何做好业务建模122<br />4.1.2 案例：两个不同的排序模型124<br />4.2 特征工程128<br />4.2.1 特征工程的定义128<br />4.2.2 信息可以存储在特征中，也可以存储在模型中129<br />4.2.3 特征工程案例131<br />4.2.4 特征的类型和维度135<br />4.2.5 特征存在缺失或错误值时怎么办137<br />4.2.6 特征降维和选择137<br />4.3 样本处理140&l
t;br />4.3.1 训练样本的基本概念140<br />4.3.2 训练样本的常见问题及其解决方案141<br />4.4 模型评估151<br />4.4.1 业务目标的评估151<br />4.4.2 模型目标的评估155<br />4.5 小结170<br />第二部分 应用与方法<br />第5章 电商平台促销策略模型174<br />5.1 业务背景174<br />5.1.1 互联网的盈利模式174<br />5.1.2 广告定价机制175<br />5.2 传统的促销方案176<br />5.2.1 问题1：如何选择促销时机177<br />5.2.2 问题2：如何为店铺制定广告消费任务179<br />5.2.3 问题3：如何设置优惠定价模型182<br />5.3 基于竞争传播的颠覆创新190<br />5.3.1 颠覆创新的思考190<br />5.3.2 竞争传播模型192<br />5.3.3 种子集合筛选算法197<br />5.4 小结198<br />第6章 计算机视觉及其应用产品的构建199<br />6.1 计算机视觉产品的问题背景199<br />6.2 图像的特征表示 200<br />6.2.1 SIFT特征201<br />6.2.2 CNN模型与特征205<br />6.2.3 实现高速计算的方法：特征降维221<br />6.3 视觉产品的构建案例223<br />6.3.1 如何在海量数据中寻找匹配的图像223<br />6.3.2 如何识别和理解图像中的实体信息223<br />6.3.3 其他计算机视觉领域常见任务233<br
展开
