機(jī)器學(xué)習(xí)的產(chǎn)業(yè)實(shí)踐之路

目錄
前言
第一部分　原理與思考
第1章　機(jī)器學(xué)習(xí)與大數(shù)據(jù) 2
1.1　機(jī)器為何能學(xué)習(xí) 2
1.1.1　人類為何能學(xué)習(xí) 2
1.1.2　從個(gè)案學(xué)習(xí)到統(tǒng)計(jì)學(xué)習(xí) 3
1.1.3　統(tǒng)計(jì)學(xué)習(xí)是否可信 5
1.2　機(jī)器是怎樣學(xué)習(xí)的 9
1.2.1　機(jī)器學(xué)習(xí)的框架：假設(shè)＋目標(biāo)＋尋解 9
1.2.2　如何在機(jī)器學(xué)習(xí)場景中應(yīng)用大數(shù)定律 14
1.2.3　大數(shù)據(jù)對機(jī)器學(xué)習(xí)的意義 17
1.2.4　小結(jié) 20
1.3　跨上人工智能的戰(zhàn)車 20
1.3.1　大數(shù)據(jù)的概念及價(jià)值 20
1.3.2　企業(yè)為何要搭上人工智能的戰(zhàn)車 24
1.3.3　企業(yè)如何搭上人工智能的戰(zhàn)車 27
1.3.4　人工智能技術(shù)團(tuán)隊(duì)的建設(shè) 38
第2章　機(jī)器學(xué)習(xí)框架的深入探討 40
2.1　機(jī)器為何能學(xué)習(xí)（續(xù)）：故事結(jié)束了嗎？我們需要更多的
　　?模型嗎 40
2.1.1　牛頓第二定律的遺留問題 40
2.1.2　新的需求場景 43
2.1.3　不同的目標(biāo) 49
2.1.4　不同的尋解 54
2.1.5　小結(jié)與回顧 60
2.2　重要權(quán)衡與過擬合 62
2.2.1　重要權(quán)衡的四張“面孔” 62
2.2.2　過擬合的成因和防控 68
2.2.3　小結(jié)與回顧 77
第3章　從線性函數(shù)到非線性函數(shù)，如何構(gòu)建強(qiáng)大的模型 78
3.1　從線性函數(shù)到非線性函數(shù) 78
3.1.1　線性模型的不足 78
3.1.2　怎樣擴(kuò)展假設(shè)空間 79
3.2　核函數(shù)方法 82
3.2.1　正則化的另一種理解與SVM模型 82
3.2.2　核函數(shù)的思路 86
3.3　多模型組合的方法 88
3.3.1　組合模型的兩個(gè)好處 88
3.3.2　實(shí)現(xiàn)組合模型的兩個(gè)步驟和方法 89
3.3.3　裝袋方式 91
3.3.4　提升方式 92
3.3.5　切分方式 93
3.3.6　小結(jié) 96
3.4　神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí) 97
3.4.1　神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的模型思路 97
3.4.2　組建神經(jīng)網(wǎng)絡(luò) 98
3.4.3　神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化 99
3.4.4　非線性變換函數(shù)的選擇 102
3.4.5　神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的選擇 104
3.4.6　深度學(xué)習(xí)得到發(fā)展的前提及其具備的優(yōu)勢 107
3.4.7　深度學(xué)習(xí)的重要衍生功能 111
第4章　機(jī)器學(xué)習(xí)的建模實(shí)踐 122
4.1　業(yè)務(wù)建模 122
4.1.1　如何做好業(yè)務(wù)建模 122
4.1.2　案例：兩個(gè)不同的排序模型 124
4.2　特征工程 128
4.2.1　特征工程的定義 128
4.2.2　信息可以存儲(chǔ)在特征中，也可以存儲(chǔ)在模型中 129
4.2.3　特征工程案例 131
4.2.4　特征的類型和維度 135
4.2.5　特征存在缺失或錯(cuò)誤值時(shí)怎么辦 137
4.2.6　特征降維和選擇 137
4.3　樣本處理 140
4.3.1　訓(xùn)練樣本的基本概念 140
4.3.2　訓(xùn)練樣本的常見問題及其解決方案 141
4.4　模型評估 151
4.4.1　業(yè)務(wù)目標(biāo)的評估 151
4.4.2　模型目標(biāo)的評估 155
4.5　小結(jié) 170
第二部分　應(yīng)用與方法
第5章　電商平臺(tái)促銷策略模型 174
5.1　業(yè)務(wù)背景 174
5.1.1　互聯(lián)網(wǎng)的盈利模式 174
5.1.2　廣告定價(jià)機(jī)制 175
5.2　傳統(tǒng)的促銷方案 176
5.2.1　問題1：如何選擇促銷時(shí)機(jī) 177
5.2.2　問題2：如何為店鋪制定廣告消費(fèi)任務(wù) 179
5.2.3　問題3：如何設(shè)置優(yōu)惠定價(jià)模型 182
5.3　基于競爭傳播的顛覆創(chuàng)新 190
5.3.1　顛覆創(chuàng)新的思考 190
5.3.2　競爭傳播模型 192
5.3.3　種子集合篩選算法 197
5.4　小結(jié) 198
第6章　計(jì)算機(jī)視覺及其應(yīng)用產(chǎn)品的構(gòu)建 199
6.1　計(jì)算機(jī)視覺產(chǎn)品的問題背景 199
6.2　圖像的特征表示 200
6.2.1　SIFT特征 201
6.2.2　CNN模型與特征 205
6.2.3　實(shí)現(xiàn)高速計(jì)算的方法：特征降維 221
6.3　視覺產(chǎn)品的構(gòu)建案例 223
6.3.1　如何在海量數(shù)據(jù)中尋找匹配的圖像 223
6.3.2　如何識(shí)別和理解圖像中的實(shí)體信息 223
6.3.3　其他計(jì)算機(jī)視覺領(lǐng)域常見任務(wù) 233
6.4　計(jì)算機(jī)視覺應(yīng)用的產(chǎn)業(yè)分析 236
6.4.1　計(jì)算機(jī)視覺在互聯(lián)網(wǎng)行業(yè)的應(yīng)用 237
6.4.2　計(jì)算機(jī)視覺在傳統(tǒng)行業(yè)的應(yīng)用 243
6.5　小結(jié) 245
第7章　知識(shí)圖譜和對話機(jī)器人 248
7.1　知識(shí)圖譜技術(shù) 248
7.1.1　兩類信息 248
7.1.2　人工智能技術(shù)的發(fā)展歷程 248
7.1.3　什么是知識(shí)圖譜 250
7.1.4　知識(shí)圖譜的應(yīng)用場景 251
7.2　基于知識(shí)的人機(jī)交互 253
7.2.1　基于領(lǐng)域知識(shí)優(yōu)化人機(jī)交互策略 253
7.2.2　領(lǐng)域知識(shí)的挖掘 257
7.3　對話機(jī)器人的產(chǎn)業(yè)分析與技術(shù)方案 266
7.3.1　技術(shù)流派與實(shí)現(xiàn)方案 266
7.3.2　技術(shù)應(yīng)用兩大方向 268
7.3.3　技術(shù)實(shí)現(xiàn) 276
7.3.4　應(yīng)用MDP和Q-learning算法的案例 283
第三部分　商業(yè)與戰(zhàn)略
第8章　認(rèn)知新技術(shù)：區(qū)塊鏈 290
8.1　從創(chuàng)造者的視角理解技術(shù) 290
8.1.1　貨幣的本質(zhì)是什么 292
8.1.2　如何記賬 293
8.1.3　如何保證賬本的真實(shí)性 294
8.1.4　如何保證賬本的安全性 294
8.1.5　如何實(shí)現(xiàn)分布式存儲(chǔ)的數(shù)據(jù)同步 295
8.1.6　如何解決記賬的動(dòng)力 297
8.2