掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
機器學習的產業實踐之路 版權信息
- ISBN：9787111726159
- 條形碼：9787111726159 ; 978-7-111-72615-9
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器學習的產業實踐之路 本書特色
以機器學習原理為基礎，面向智能化轉型企業， 探討AI業務創新和商業布局 本書特色：內容深入淺出，系統介紹機器學習理論知識：本書從大數據與機器學習的關系入手，深入淺出地介紹了機器學習的建模思想和經典算法。 內容涉及從技術到商業，更具實踐性：本書以電商平臺促銷、圖像檢索、知識圖譜和對話機器人為例，深度剖析了AI技術與這些業務結合的方法，讓讀者身臨其境地感知AI技術對產業智能化升級的影響。 理論結合實踐，代碼簡單易用：本書實踐案例采用飛槳動態圖編程，代碼簡潔易用，適合新手用戶入門。 配套免費的AI Studio在線課程：內容源自在線課程“機器學習的思考故事”，由作者本人授課，包括30小時的視頻課程和可在線運行的實訓項目，目前已有超過2萬人在線學習。
機器學習的產業實踐之路 內容簡介
本書的內容章節分為四個部分，從技術原理到項目實踐再到商業戰略，逐層放開視野。內容涉及基于人工智能技術在產業中做創新業務的方法論，通過交流“思想”和“應用方法論”，使大家掌握機器學習的深層次思想，并理解商業、產品和技術的深層關系。
機器學習的產業實踐之路 目錄
前言
部分 原理與思考
第1章 機器學習與大數據 2
1.1 機器為何能學習 2
1.1.1 人類為何能學習 2
1.1.2 從個案學習到統計學習 3
1.1.3 統計學習是否可信 5
1.2 機器是怎樣學習的 9
1.2.1 機器學習的框架：假設＋目標＋尋解 9
1.2.2 如何在機器學習場景中應用大數定律 14
1.2.3 大數據對機器學習的意義 17
1.2.4 小結 20
1.3 跨上人工智能的戰車 20
1.3.1 大數據的概念及價值 20
1.3.2 企業為何要搭上人工智能的戰車 24
1.3.3 企業如何搭上人工智能的戰車 27
1.3.4 人工智能技術團隊的建設 38
第2章 機器學習框架的深入探討 40
2.1 機器為何能學習（續）：故事結束了嗎？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 49
2.1.4 不同的尋解 54
2.1.5 小結與回顧 60
2.2 重要權衡與過擬合 62
2.2.1 重要權衡的四張“面孔” 62
2.2.2 過擬合的成因和防控 68
2.2.3 小結與回顧 77
第3章 從線性函數到非線性函數，如何構建強大的模型 78
3.1 從線性函數到非線性函數 78
3.1.1 線性模型的不足 78
3.1.2 怎樣擴展假設空間 79
3.2 核函數方法 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 組合模型的兩個好處 88
3.3.2 實現組合模型的兩個步驟和方法 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 96
3.4 神經網絡與深度學習 97
3.4.1 神經網絡和深度學習的模型思路 97
3.4.2 組建神經網絡 98
3.4.3 神經網絡模型的優化 99
3.4.4 非線性變換函數的選擇 102
3.4.5 神經網絡結構的選擇 104
3.4.6 深度學習得到發展的前提及其具備的優勢 107
3.4.7 深度學習的重要衍生功能 111
第4章 機器學習的建模實踐 122
4.1 業務建模 122
4.1.1 如何做好業務建模 122
4.1.2 案例：兩個不同的排序模型 124
4.2 特征工程 128
4.2.1 特征工程的定義 128
4.2.2 信息可以存儲在特征中，也可以存儲在模型中 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 特征存在缺失或錯誤值時怎么辦 137
4.2.6 特征降維和選擇 137
4.3 樣本處理 140
4.3.1 訓練樣本的基本概念 140
4.3.2 訓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 業務目標的評估 151
4.4.2 模型目標的評估 155
4.5 小結 170
第二部分 應用與方法
第5章 電商平臺促銷策略模型 174
5.1 業務背景 174
5.1.1 互聯網的盈利模式 174
5.1.2 廣告定價機制 175
5.2 傳統的促銷方案 176
5.2.1 問題1：如何選擇促銷時機 177
5.2.2 問題2：如何為店鋪制定廣告消費任務 179
5.2.3 問題3：如何設置優惠定價模型 182
5.3 基于競爭傳播的顛覆創新 190
5.3.1 顛覆創新的思考 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 198
第6章 計算機視覺及其應用產品的構建 199
6.1 計算機視覺產品的問題背景 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 實現高速計算的方法：特征降維 221
6.3 視覺產品的構建案例 223
6.3.1 如何在海量數據中尋找匹配的圖像 223
6.3.2 如何識別和理解圖像中的實體信息 223
6.3.3 其他計算機視覺領域常見任務 233
6.4 計算機視覺應用的產業分析 236
6.4.1 計算機視覺在互聯網行業的應用 237
6.4.2 計算機視覺在傳統行業的應用 243
6.5 小結 245
第7章 知識圖譜和對話機器人 248
7.1 知識圖譜技術 248
7.1.1 兩類信息 248
7.1.2 人工智能技術的發展歷程 248
7.1.3 什么是知識圖譜 250
7.1.4 知識圖譜的應用場景 251
7.2 基于知識的人機交互 253
7.2.1 基于領域知識優化人機交互策略 253
7.2.2 領域知識的挖掘 257
7.3 對話機器人的產業分析與技術方案 266
7.3.1 技術流派與實現方案 266
7.3.2 技術應用兩大方向 268
7.3.3 技術實現 276
7.3.4 應用MDP和Q-learning算法的案例 283
第三部分 商業與戰略
第8章 認知新技術：區塊鏈 290
8.1 從創造者的視角理解技術 290
8.1.1 貨幣的本質是什么 292
8.1.2 如何記賬 293
8.1.3 如何保證賬本的真實性 294
8.1.4 如何保證賬本的安全性 294
8.1.5 如何實現分布式存儲的數據同步 295
8.1.6 如何解決記賬的動力 297
8.2 用抽象邏輯梳理應用場景 298
8.2.1 “鏈圈”應用的內在邏輯 298
8.2.2 區塊鏈技術應用的案例 299
8.2.3 區塊鏈技術應用的三個阻礙 303
8.2.4 “鏈圈”應用的總結 306
8.3 “幣圈”應用思想的精要 306
8.3.1 為什么要發幣 306
8.3.2 為何幣會值錢 307
8.3.3 如何設計發幣 309
8.4 從商業本質來制定戰略 310
第9章 醫療行業的技術布局和應用思考 314
9.1 謀劃行業中的技術應用 314
9.2 互聯網醫療平臺 315
9.2.1 多種醫藥流通業態逐漸融合 315
9.2.2 互聯網醫療平臺與商業保險的合作模式 316
9.3 醫療行業的技術應用分析 317
9.3.1 互聯網應用 318
9.3.2 區塊鏈應用 321
9.3.3 IT軟件和云計算應用 326
9.3.4 人工智能應用 330
9.3.5 科技企業進入傳統行業落地AI技術 336
9.4 思考技術在行業應用的方法論 338
第10章 從技術到商業的思考 340
10.1 主題回顧 340
10.2 從技術到商業的思維模式轉變 341
10.2.1 戰略壁壘的重要性 341
10.2.2 常見的戰略壁壘 342
10.3 新型壁壘：平臺模式的解析 346
10.3.1 平臺模式的典型案例：Steam游戲平臺 346
10.3.2 互聯網企業以整合C端平臺供應鏈的
模式切入B端服務市場 348
10.3.3 互聯網企業賦能生態伙伴的方法論 352
10.4 技術投資與采購的方法論 358
10.4.1 層面1：梳理業務所需的技術全景 358
10.4.2 層面2：梳理具體技術方向的內部邏輯 359
10.4.3 層面3：分析具備能力的候選企業 361
10.4.4 案例：短視頻C端賽道的業務 362
10.5 人工智能的產業展望 364
10.5.1 人工智能未來的發展 364
10.5.2 人工智能應用的方法論 367
10.5.3 人工智能的企業市場分析 368
10.6 企業的組織能力： 《創新者的窘境》中的理論 370
10.7 人工智能應用領域的職業前景 372
第四部分 工具與實踐
第11章 實踐課 374
11.1 實踐課1：基于深度學習框架飛槳完成房價
預測任務 374
11.1.1 深度學習框架 374
11.1.2 飛槳產業級深度學習開源開放平臺 375
11.1.3 使用飛槳構建波士頓房價預測模型 383
11.2 實踐課2：手寫數字識別 384
11.3 實踐課3：詞向量和語義相似度 388
11.4 實踐課4：畢業設計 395
11.4.1 畢業設計作業 395
11.4.2 往屆學員優秀作品展示 396
部分 原理與思考
第1章 機器學習與大數據 2
1.1 機器為何能學習 2
1.1.1 人類為何能學習 2
1.1.2 從個案學習到統計學習 3
1.1.3 統計學習是否可信 5
1.2 機器是怎樣學習的 9
1.2.1 機器學習的框架：假設＋目標＋尋解 9
1.2.2 如何在機器學習場景中應用大數定律 14
1.2.3 大數據對機器學習的意義 17
1.2.4 小結 20
1.3 跨上人工智能的戰車 20
1.3.1 大數據的概念及價值 20
1.3.2 企業為何要搭上人工智能的戰車 24
1.3.3 企業如何搭上人工智能的戰車 27
1.3.4 人工智能技術團隊的建設 38
第2章 機器學習框架的深入探討 40
2.1 機器為何能學習（續）：故事結束了嗎？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 49
2.1.4 不同的尋解 54
2.1.5 小結與回顧 60
2.2 重要權衡與過擬合 62
2.2.1 重要權衡的四張“面孔” 62
2.2.2 過擬合的成因和防控 68
2.2.3 小結與回顧 77
第3章 從線性函數到非線性函數，如何構建強大的模型 78
3.1 從線性函數到非線性函數 78
3.1.1 線性模型的不足 78
3.1.2 怎樣擴展假設空間 79
3.2 核函數方法 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 組合模型的兩個好處 88
3.3.2 實現組合模型的兩個步驟和方法 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 96
3.4 神經網絡與深度學習 97
3.4.1 神經網絡和深度學習的模型思路 97
3.4.2 組建神經網絡 98
3.4.3 神經網絡模型的優化 99
3.4.4 非線性變換函數的選擇 102
3.4.5 神經網絡結構的選擇 104
3.4.6 深度學習得到發展的前提及其具備的優勢 107
3.4.7 深度學習的重要衍生功能 111
第4章 機器學習的建模實踐 122
4.1 業務建模 122
4.1.1 如何做好業務建模 122
4.1.2 案例：兩個不同的排序模型 124
4.2 特征工程 128
4.2.1 特征工程的定義 128
4.2.2 信息可以存儲在特征中，也可以存儲在模型中 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 特征存在缺失或錯誤值時怎么辦 137
4.2.6 特征降維和選擇 137
4.3 樣本處理 140
4.3.1 訓練樣本的基本概念 140
4.3.2 訓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 業務目標的評估 151
4.4.2 模型目標的評估 155
4.5 小結 170
第二部分 應用與方法
第5章 電商平臺促銷策略模型 174
5.1 業務背景 174
5.1.1 互聯網的盈利模式 174
5.1.2 廣告定價機制 175
5.2 傳統的促銷方案 176
5.2.1 問題1：如何選擇促銷時機 177
5.2.2 問題2：如何為店鋪制定廣告消費任務 179
5.2.3 問題3：如何設置優惠定價模型 182
5.3 基于競爭傳播的顛覆創新 190
5.3.1 顛覆創新的思考 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 198
第6章 計算機視覺及其應用產品的構建 199
6.1 計算機視覺產品的問題背景 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 實現高速計算的方法：特征降維 221
6.3 視覺產品的構建案例 223
6.3.1 如何在海量數據中尋找匹配的圖像 223
6.3.2 如何識別和理解圖像中的實體信息 223
6.3.3 其他計算機視覺領域常見任務 233
6.4 計算機視覺應用的產業分析 236
6.4.1 計算機視覺在互聯網行業的應用 237
6.4.2 計算機視覺在傳統行業的應用 243
6.5 小結 245
第7章 知識圖譜和對話機器人 248
7.1 知識圖譜技術 248
7.1.1 兩類信息 248
7.1.2 人工智能技術的發展歷程 248
7.1.3 什么是知識圖譜 250
7.1.4 知識圖譜的應用場景 251
7.2 基于知識的人機交互 253
7.2.1 基于領域知識優化人機交互策略 253
7.2.2 領域知識的挖掘 257
7.3 對話機器人的產業分析與技術方案 266
7.3.1 技術流派與實現方案 266
7.3.2 技術應用兩大方向 268
7.3.3 技術實現 276
7.3.4 應用MDP和Q-learning算法的案例 283
第三部分 商業與戰略
第8章 認知新技術：區塊鏈 290
8.1 從創造者的視角理解技術 290
8.1.1 貨幣的本質是什么 292
8.1.2 如何記賬 293
8.1.3 如何保證賬本的真實性 294
8.1.4 如何保證賬本的安全性 294
8.1.5 如何實現分布式存儲的數據同步 295
8.1.6 如何解決記賬的動力 297
8.2 用抽象邏輯梳理應用場景 298
8.2.1 “鏈圈”應用的內在邏輯 298
8.2.2 區塊鏈技術應用的案例 299
8.2.3 區塊鏈技術應用的三個阻礙 303
8.2.4 “鏈圈”應用的總結 306
8.3 “幣圈”應用思想的精要 306
8.3.1 為什么要發幣 306
8.3.2 為何幣會值錢 307
8.3.3 如何設計發幣 309
8.4 從商業本質來制定戰略 310
第9章 醫療行業的技術布局和應用思考 314
9.1 謀劃行業中的技術應用 314
9.2 互聯網醫療平臺 315
9.2.1 多種醫藥流通業態逐漸融合 315
9.2.2 互聯網醫療平臺與商業保險的合作模式 316
9.3 醫療行業的技術應用分析 317
9.3.1 互聯網應用 318
9.3.2 區塊鏈應用 321
9.3.3 IT軟件和云計算應用 326
9.3.4 人工智能應用 330
9.3.5 科技企業進入傳統行業落地AI技術 336
9.4 思考技術在行業應用的方法論 338
第10章 從技術到商業的思考 340
10.1 主題回顧 340
10.2 從技術到商業的思維模式轉變 341
10.2.1 戰略壁壘的重要性 341
10.2.2 常見的戰略壁壘 342
10.3 新型壁壘：平臺模式的解析 346
10.3.1 平臺模式的典型案例：Steam游戲平臺 346
10.3.2 互聯網企業以整合C端平臺供應鏈的
模式切入B端服務市場 348
10.3.3 互聯網企業賦能生態伙伴的方法論 352
10.4 技術投資與采購的方法論 358
10.4.1 層面1：梳理業務所需的技術全景 358
10.4.2 層面2：梳理具體技術方向的內部邏輯 359
10.4.3 層面3：分析具備能力的候選企業 361
10.4.4 案例：短視頻C端賽道的業務 362
10.5 人工智能的產業展望 364
10.5.1 人工智能未來的發展 364
10.5.2 人工智能應用的方法論 367
10.5.3 人工智能的企業市場分析 368
10.6 企業的組織能力： 《創新者的窘境》中的理論 370
10.7 人工智能應用領域的職業前景 372
第四部分 工具與實踐
第11章 實踐課 374
11.1 實踐課1：基于深度學習框架飛槳完成房價
預測任務 374
11.1.1 深度學習框架 374
11.1.2 飛槳產業級深度學習開源開放平臺 375
11.1.3 使用飛槳構建波士頓房價預測模型 383
11.2 實踐課2：手寫數字識別 384
11.3 實踐課3：詞向量和語義相似度 388
11.4 實踐課4：畢業設計 395
11.4.1 畢業設計作業 395
11.4.2 往屆學員優秀作品展示 396
展開全部
機器學習的產業實踐之路 作者簡介
畢然 專注于機器學習、人工智能、數據分析、商業戰略等領域，出品過“大數據分析的道與術”“零基礎實踐深度學習”“機器學習的思考故事”“如何系統化地分析業務和戰略”等系列課程，其中前2個課程著有同名書籍，本書為第3個課程的配套書籍。
書友推薦
- >
月亮與六便士
- >
羅庸西南聯大授課錄
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
伊索寓言-世界文學名著典藏-全譯本
- >
朝聞道
- >
莉莉和章魚
- >
我與地壇
- >
月亮虎
本類暢銷
