注冊 | 登錄讀書好，好讀書，讀好書！

當前位置：首頁出版圖書科學技術(shù)計算機/網(wǎng)絡(luò)網(wǎng)絡(luò)與數(shù)據(jù)通信機器學習高級實踐：計算廣告、供需預測、智能營銷、動態(tài)定價

機器學習高級實踐：計算廣告、供需預測、智能營銷、動態(tài)定價

定　價：￥139.00

作　者：	王聰穎謝志輝
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

ISBN：	9787111736547	出版時間：	2023-11-01	包裝：	平裝
開本：	16開	頁數(shù)：	408	字數(shù)：

內(nèi)容簡介

　　人工智能方興未艾，機器學習算法作為實現(xiàn)人工智能重要的技術(shù)之一，引起了無數(shù)相關(guān)從業(yè)者的興趣。本書詳細介紹了機器學習算法的理論基礎(chǔ)和實踐案例，理論部分介紹了機器學習項目體系搭建路徑，包括業(yè)務(wù)場景拆解、特征工程、模型評估和選型、模型優(yōu)化；實踐部分介紹了業(yè)界常見的業(yè)務(wù)場景，包括計算廣告、供需預測、智能營銷、動態(tài)定價。隨書附贈所有案例源碼，獲取方式見封底。本書內(nèi)容深入淺出，理論與實踐相結(jié)合，幫助計算機專業(yè)應(yīng)屆畢業(yè)生、跨專業(yè)從業(yè)者、算法工程師等讀者能夠從零構(gòu)建機器學習項目實現(xiàn)流程，快速掌握關(guān)鍵技術(shù)，迅速從小白成長為獨當一面的算法工程師。

作者簡介

　　王聰穎，北京郵電大學計算機學院（示范性軟件學院）碩士，現(xiàn)任滴滴化算法工程師，負責滴滴化增長、調(diào)度算法策略。曾供職于快手，順豐，VMware等多家外知名科技公司，從0-1、1-10的參與設(shè)計并開發(fā)了多個機器學習算法賦能業(yè)務(wù)場景并顯著提升業(yè)務(wù)效果的項目，曾獲得Kaggle比賽銀牌、銅牌。謝志輝，得克薩斯大學奧斯汀分校博士，在人工智能和機器學習領(lǐng)域有著深厚實踐和理論經(jīng)驗。曾供職于滴滴出行和阿里巴巴等互聯(lián)網(wǎng)平臺，成功構(gòu)建了工業(yè)級的分析和自動化的模型平臺，對支持業(yè)務(wù)規(guī)?；涂焖俚鸬搅岁P(guān)鍵作用。作者也曾在美國雅虎公司桑尼維爾總部擔任廣告科學家，從事雅虎全域展示廣告和視頻廣告交易以及拍賣定價機制的相關(guān)研究，貢獻數(shù)千萬美元的賣方收益。進入工業(yè)界之前在伊利諾伊大學執(zhí)教。作者在相關(guān)領(lǐng)域的會議和雜志上發(fā)表論文十多篇，申請中/已授權(quán)中美國專利二十多項。

圖書目錄

序一
序二
前言
第1章機器學習/
1.1機器學習概述/
1.1.1機器學習發(fā)展歷史/
1.1.2機器學習工作原理/
1.2機器學習典型工具箱/
1.2.1NumPy/
1.2.2Pandas/
1.2.3SciKit-Learn/
1.2.4TensorFlow/
1.3機器學習項目實現(xiàn)流程/
1.3.1業(yè)務(wù)場景拆解/
1.3.2構(gòu)建特征工程/
1.3.3模型評估與選型/
1.3.4模型優(yōu)化/
第2章業(yè)務(wù)場景拆解/
2.1業(yè)務(wù)目標拆解/
2.1.1業(yè)務(wù)目標拆解方法/
2.1.2算法模型作用環(huán)節(jié)分析/
2.2項目方案制定/
2.2.1項目團隊配置/
2.2.2機器學習項目方案制定/
第3章特征工程/
3.1特征工程基礎(chǔ)/
3.1.1特征工程的概念和意義/
3.1.2工業(yè)界特征工程應(yīng)用/
3.2數(shù)據(jù)預處理/
3.2.1缺失值處理/
3.2.2異常值處理/
3.3數(shù)值變量處理/
3.3.1連續(xù)特征離散化/
3.3.2數(shù)值數(shù)據(jù)變換/
3.3.3特征縮放和歸一化/
3.4類別變量處理/
3.4.1類別特征的編碼方法/
3.4.2特征交叉/
3.5特征篩選/
3.5.1過濾式/
3.5.2包裝法/
3.5.3嵌入法/
第4章模型評估和模型選型/
4.1模型評估和模型選型概要/
4.1.1模型評估簡介/
4.1.2模型選型簡介/
4.2模型評估方法/
4.2.1留出法/
4.2.2K折交叉驗證法/
4.2.3自助法/
4.3模型評估指標/
4.3.1分類問題評估指標/
4.3.2回歸模型評估指標/
4.3.3結(jié)合業(yè)務(wù)場景選擇評估指標/
4.4典型模型介紹/
4.4.1統(tǒng)計機器學習/
4.4.2深度學習/
4.4.3因果推斷/
4.5模型選型技術(shù)/
4.5.1模型選型依據(jù)/
4.5.2偏差和方差/
4.5.3結(jié)合業(yè)務(wù)場景進行模型選型/
第5章模型優(yōu)化/
5.1數(shù)據(jù)集優(yōu)化/
5.1.1數(shù)據(jù)采樣/
5.1.2數(shù)據(jù)降維/
5.2目標函數(shù)優(yōu)化/
5.2.1常見損失函數(shù)/
5.2.2正則化項/
5.2.3不平衡數(shù)據(jù)集下對損失函數(shù)的優(yōu)化/
5.3模型結(jié)構(gòu)優(yōu)化——集成學習/
5.3.1Bagging/
5.3.2Boosting/
5.3.3Stacking/
5.4 化算法/
5.4.1梯度下降法/
5.4.2牛頓法和擬牛頓法/
5.4.3Momentum/AdaGrad/RMSProp/Adam/
5.5模型參數(shù)優(yōu)化/
5.5.1模型調(diào)參要素/
5.5.2網(wǎng)格搜索/
5.5.3隨機搜索/
5.5.4貝葉斯優(yōu)化/
第6章計算廣告：廣告點擊率預估/
6.1業(yè)務(wù)場景介紹/
6.1.1計算廣告概述/
6.1.2計算廣告核心算法/
6.2點擊率預估場景下的特征挖掘/
6.2.1數(shù)據(jù)集介紹/
6.2.2數(shù)據(jù)分析/
6.2.3特征構(gòu)建/
6.3常見的點擊率預估模型/
6.3.1基線模型建設(shè)/
6.3.2DeepCrossing模型/
6.3.3Wide&Deep模型/
6.3.4Deep&Cross模型/
6.3.5DeepFM模型/
6.3.6AFM模型/
6.3.7DIN模型/
第7章供需預測：“新零售”之供需時序建模/
7.1業(yè)務(wù)場景介紹/
7.1.1為什么需要供需預測/
7.1.2新零售場景下的供需預測/
7.2時序問題的數(shù)據(jù)分析和特征挖掘/
7.2.1數(shù)據(jù)集介紹/
7.2.2數(shù)據(jù)分析/
7.2.3特征構(gòu)建/
7.3時序模型探索過程/
7.3.1傳統(tǒng)時序模型——ARIMA/
7.3.2Prophet模型/
7.3.3樹模型——LightGBM/
7.3.4深度學習模型——LSTM模型/
7.3.5深度學習模型——Transformer模型/
7.3.6深度學習模型——DeepAR模型/
第8章智能營銷：優(yōu)惠券發(fā)放/
8.1業(yè)務(wù)場景介紹/
8.1.1智能營銷的概念和架構(gòu)/
8.1.2優(yōu)惠券發(fā)放業(yè)務(wù)場景/
8.2智能營銷場景下的特征挖掘/
8.2.1數(shù)據(jù)集介紹/
8.2.2用戶側(cè)特征挖掘/
8.2.3產(chǎn)品側(cè)特征挖掘/
8.3智能營銷建模流程/
8.3.1發(fā)給誰——人群分層模型（RFM、Uplift Model、ESMM）/
8.3.2發(fā)多少——LTV模型/
8.3.3怎么發(fā)——優(yōu)惠券分發(fā)策略/
第9章動態(tài)定價：交易市場價格動態(tài)調(diào)整/
9.1業(yè)務(wù)場景介紹/
9.1.1動態(tài)定價概述/
9.1.2常見動態(tài)定價業(yè)務(wù)場景/
9.1.3網(wǎng)約車場景下的交易市場業(yè)務(wù)/
9.2動態(tài)定價相關(guān)的特征挖掘/
9.2.1時空特征挖掘/
9.2.2用戶特征挖掘/
9.2.3平臺特征挖掘/
9.3動態(tài)定價模型/
9.3.1動態(tài)定價策略總覽/
9.3.2用戶行為預估模型/