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
機器學習高級實踐:計算廣告、供需預測、智能營銷、動態定價 版權信息
- ISBN：9787111736547
- 條形碼：9787111736547 ; 978-7-111-73654-7
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
機器學習高級實踐:計算廣告、供需預測、智能營銷、動態定價 本書特色
全彩印刷 機器學習多場景高級實踐 計算廣告 供需預測 智能營銷 動態定價
機器學習高級實踐:計算廣告、供需預測、智能營銷、動態定價 內容簡介
人工智能方興未艾，機器學習算法作為實現人工智能*重要的技術之一，引起了無數相關從業者的興趣。本書詳細介紹了機器學習算法的理論基礎和高級實踐案例，理論部分介紹了機器學習項目體系搭建路徑，包括業務場景拆解、特征工程、模型評估和選型、模型優化；實踐部分介紹了業界常見的業務場景，包括計算廣告、供需預測、智能營銷、動態定價。隨書附贈所有案例源碼，獲取方式見封底。 本書內容深入淺出，理論與實踐相結合，幫助計算機專業應屆畢業生、跨專業從業者、算法工程師等讀者能夠從零構建機器學習項目實現流程，快速掌握關鍵技術，迅速從小白成長為獨當一面的算法工程師。
機器學習高級實踐:計算廣告、供需預測、智能營銷、動態定價 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機器學習項目實現流程/
1.3.1業務場景拆解/
1.3.2構建特征工程/
1.3.3模型評估與選型/
1.3.4模型優化/
第2章 業務場景拆解/
2.1業務目標拆解/
2.1.1業務目標拆解方法/
2.1.2算法模型作用環節分析/
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/
3.1.1特征工程的概念和意義/
3.1.2工業界特征工程應用/
3.2數據預處理/
3.2.1缺失值處理/
3.2.2異常值處理/
3.3數值變量處理/
3.3.1連續特征離散化/
3.3.2數值數據變換/
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結合業務場景選擇評估指標/
4.4典型模型介紹/
4.4.1統計機器學習/
4.4.2深度學習/
4.4.3因果推斷/
4.5模型選型技術/
4.5.1模型選型依據/
4.5.2偏差和方差/
4.5.3結合業務場景進行模型選型/
第5章 模型優化/
5.1數據集優化/
5.1.1數據采樣/
5.1.2數據降維/
5.2目標函數優化/
5.2.1常見損失函數/
5.2.2正則化項/
5.2.3不平衡數據集下對損失函數的優化/
5.3模型結構優化——集成學習/
5.3.1Bagging/
5.3.2Boosting/
5.3.3Stacking/
5.4*優化算法/
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模型參數優化/
5.5.1模型調參要素/
5.5.2網格搜索/
5.5.3隨機搜索/
5.5.4貝葉斯優化/
第6章 計算廣告：廣告點擊率預估/
6.1業務場景介紹/
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數據集介紹/
6.2.2數據分析/
6.2.3特征構建/
6.3常見的點擊率預估模型/
6.3.1基線模型建設/
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業務場景介紹/
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時序問題的數據分析和特征挖掘/
7.2.1數據集介紹/
7.2.2數據分析/
7.2.3特征構建/
7.3時序模型探索過程/
7.3.1傳統時序模型——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：優惠券發放/
8.1業務場景介紹/
8.1.1智能營銷的概念和架構/
8.1.2優惠券發放業務場景/
8.2智能營銷場景下的特征挖掘/
8.2.1數據集介紹/
8.2.2用戶側特征挖掘/
8.2.3產品側特征挖掘/
8.3智能營銷建模流程/
8.3.1發給誰——人群分層模型（RFM、Uplift Model、ESMM）/
8.3.2發多少——LTV模型/
8.3.3怎么發——優惠券分發策略/
第9章 動態定價：交易市場價格動態調整/
9.1業務場景介紹/
9.1.1動態定價概述/
9.1.2常見動態定價業務場景/
9.1.3網約車場景下的交易市場業務/
9.2動態定價相關的特征挖掘/
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動態定價模型/
9.3.1動態定價策略總覽/
9.3.2用戶行為預估模型/
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機器學習項目實現流程/
1.3.1業務場景拆解/
1.3.2構建特征工程/
1.3.3模型評估與選型/
1.3.4模型優化/
第2章 業務場景拆解/
2.1業務目標拆解/
2.1.1業務目標拆解方法/
2.1.2算法模型作用環節分析/
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/
3.1.1特征工程的概念和意義/
3.1.2工業界特征工程應用/
3.2數據預處理/
3.2.1缺失值處理/
3.2.2異常值處理/
3.3數值變量處理/
3.3.1連續特征離散化/
3.3.2數值數據變換/
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結合業務場景選擇評估指標/
4.4典型模型介紹/
4.4.1統計機器學習/
4.4.2深度學習/
4.4.3因果推斷/
4.5模型選型技術/
4.5.1模型選型依據/
4.5.2偏差和方差/
4.5.3結合業務場景進行模型選型/
第5章 模型優化/
5.1數據集優化/
5.1.1數據采樣/
5.1.2數據降維/
5.2目標函數優化/
5.2.1常見損失函數/
5.2.2正則化項/
5.2.3不平衡數據集下對損失函數的優化/
5.3模型結構優化——集成學習/
5.3.1Bagging/
5.3.2Boosting/
5.3.3Stacking/
5.4*優化算法/
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模型參數優化/
5.5.1模型調參要素/
5.5.2網格搜索/
5.5.3隨機搜索/
5.5.4貝葉斯優化/
第6章 計算廣告：廣告點擊率預估/
6.1業務場景介紹/
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數據集介紹/
6.2.2數據分析/
6.2.3特征構建/
6.3常見的點擊率預估模型/
6.3.1基線模型建設/
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業務場景介紹/
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時序問題的數據分析和特征挖掘/
7.2.1數據集介紹/
7.2.2數據分析/
7.2.3特征構建/
7.3時序模型探索過程/
7.3.1傳統時序模型——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：優惠券發放/
8.1業務場景介紹/
8.1.1智能營銷的概念和架構/
8.1.2優惠券發放業務場景/
8.2智能營銷場景下的特征挖掘/
8.2.1數據集介紹/
8.2.2用戶側特征挖掘/
8.2.3產品側特征挖掘/
8.3智能營銷建模流程/
8.3.1發給誰——人群分層模型（RFM、Uplift Model、ESMM）/
8.3.2發多少——LTV模型/
8.3.3怎么發——優惠券分發策略/
第9章 動態定價：交易市場價格動態調整/
9.1業務場景介紹/
9.1.1動態定價概述/
9.1.2常見動態定價業務場景/
9.1.3網約車場景下的交易市場業務/
9.2動態定價相關的特征挖掘/
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動態定價模型/
9.3.1動態定價策略總覽/
9.3.2用戶行為預估模型/
展開全部
機器學習高級實踐:計算廣告、供需預測、智能營銷、動態定價 作者簡介
王聰穎，北京郵電大學計算機學院（國家示范性軟件學院）碩士，現任滴滴國際化資深算法工程師，負責滴滴國際化增長、調度算法策略。曾供職于快手，順豐，VMware等多家國內外知名科技公司，從0-1、1-10的參與設計并主導開發了多個機器學習算法賦能業務場景并顯著提升業務效果的項目，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域有著深厚實踐和理論經驗。曾供職于滴滴出行和阿里巴巴等互聯網平臺，成功構建了工業級的分析和自動化的模型平臺，對支持業務規模化和快速迭代起到了關鍵作用。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研究,貢獻數千萬美元的賣方收益。進入工業界之前在伊利諾伊大學執教。作者在相關領域的國際會議和雜志上發表論文十多篇，申請中/已授權中美國專利二十多項。
書友推薦
- >
中國歷史的瞬間
- >
伊索寓言-世界文學名著典藏-全譯本
- >
我與地壇
- >
李白與唐代文化
- >
月亮與六便士
- >
自卑與超越
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
上帝之肋:男人的真實旅程
本類暢銷
