本书主要介绍支持各种设置和模态的个性化预测模型设计的通用原理和方法。首先修订“传统”机器学习模型，重点关注如何使它们适应涉及用户数据的设置，然后介绍基于矩阵分解、深度学习和生成式建模等高级原理的技术，最后详细研究部署个性化预测系统的影响和风险。

译者序
前言
常用数学符号
常用缩写
第1章 引言
1.1 本书写作目的
1.2 对于学习者：涵盖的内容和未涵盖的内容
1.3 对于讲师：课程和内容大纲
1.4 在线资源
1.5 关于作者
1.6 日常生活中的个性化
1.6.1 推荐
1.6.2 个性化健康
1.6.3 计算社会科学
1.6.4 语言生成、个性化对话和交互式代理
1.7 个性化技术
1.7.1 作为流形的用户表示
1.7.2 上下文个性化和基于模型的个性化
1.8 个性化的伦理和影响
第一部分 机器学习入门
第2章 回归和特征工程
2.1 线性回归
2.2 评估回归模型
2.2.1 均方误差
2.2.2 为什么是均方误差
2.2.3 模型参数的极大似然估计
2.2.4 决定系数R
2.2.5 如果误差不是正态分布该怎么办
2.3 特征工程
2.3.1 简单特征变换
2.3.2 二元特征和分类特征：独热编码
2.3.3 缺失特征
2.3.4 时序特征
2.3.5 输出变量的转换
2.4 解释线性模型参数
2.5 梯度下降拟合模型
2.6 非线性回归
习题
项目1：出租车小费预测（第1部分）
第3章 分类和学习流程
3.1 对数几率回归
3.1.1 拟合对数几率回归器
3.1.2 小结
3.2 其他分类技术
3.3 评估分类模型
3.3.1 分类的平衡度量
3.3.2 优化平衡错误率
3.3.3 使用和评估用于排名的分类器
3.4 学习流程
3.4.1 泛化、过拟合和欠拟合
3.4.2 模型复杂度和正则化
3.4.3 模型流程准则
3.4.4 使用TensorFlow的回归和分类
……
第二部分 个性化机器学习的基础知识
第三部分 个性化机器学习的新兴方向
参考文献