幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

機器學習互聯網業務安全實踐

  • 作者：王帥//吳哲夫
  • 出版社：電子工業
  • ISBN：9787121355684
  • 出版日期：2019/09/01
  • 裝幀：平裝
  • 頁數：489
人民幣：RMB 128 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    互聯網產業正在從IT時代邁入DT時代（數據時代），同時互聯網產業的繁榮也催生了黑灰產這樣的群體。那麼，在數據時代應該如何應對互聯網業務安全威脅？機器學習技術在互聯網業務安全領域的應用正是答案。
    本書首先從機器學習技術的原理入手，自成體系地介紹了機器學習的基礎知識，從數學的角度揭示了演算法模型背後的基本原理；然後介紹了互聯網業務安全所涉及的重要業務場景，以及機器學習技術在這些場景中的應用實踐；最後介紹了如何應用互聯網技術棧來建設業務安全技術架構。作者根據多年的一線互聯網公司從業經驗給出了很多獨到的見解，供讀者參考。
    本書既適合機器學習從業者作為入門參考書，也適合互聯網業務安全從業者學習黑灰產對抗手段，幫助他們做到知己知彼，了解如何應用機器學習技術來提高與黑灰產對抗的能力。
作者介紹
王帥//吳哲夫
目錄
第1章  互聯網業務安全簡述
  1.1  互聯網業務安全現狀
  1.2  如何應對挑戰
  1.3  本章小結
    參考資料
第2章  機器學習入門
  2.1  相似性
    2.1.1  范數
    2.1.2  度量
  2.2  矩陣
    2.2.1  線性空間
    2.2.2  線性運算元
  2.3  空間
    2.3.1  內積空間
    2.3.2  歐幾里得空間（Euclid space）
    2.3.3  酉空間
    2.3.4  賦范線性空間
    2.3.5  巴拿赫空間
    2.3.6  希爾伯特空間
    2.3.7  核函數
  2.4  機器學習中的數學結構
    2.4.1  線性結構與非線性結構
    2.4.2  圖論基礎
    2.4.3  樹
    2.4.4  神經網路
    2.4.5  深度網路結構
    2.4.6  小結
  2.5  統計基礎
    2.5.1  貝葉斯統計
    2.5.2  共軛先驗分佈
  2.6  策略與演算法
    2.6.1  凸優化的基本概念
    2.6.2  對偶原理
    2.6.3  非線性規劃問題的解決方法
    2.6.4  無約束問題的最優化方法
  2.7  機器學習演算法應用的經驗
    2.7.1  如何定義機器學習目標
    2.7.2  如何從數據中獲取最有價值的信息
    2.7.3  評估模型的表現
    2.7.4  測試效果遠差於預期怎麼辦
  2.8  本章小結
    參考資料
第3章  模型
  3.1  基本概念
  3.2  模型評價指標
    3.2.1  混淆矩陣
    3.2.2  分類問題的基礎指標
    3.2.3  ROC曲線與AUC
    3.2.4  基尼係數
    3.2.5  回歸問題的評價指標

    3.2.6  交叉驗證
  3.3  回歸演算法
    3.3.1  最小二乘法
    3.3.2  脊回歸
    3.3.3  Lasso回歸線性模型
    3.3.4  多任務Lasso
    3.3.5  L1、L2正則雜談
  3.4  分類演算法
    3.4.1  CART演算法
    3.4.2  支持向量機
  3.5  降維
    3.5.1  貝葉斯網路
    3.5.2  主成分分析
  3.6  主題模型LDA
    3.6.1  馬爾可夫鏈蒙特卡羅法
    3.6.2  貝葉斯網路與生成模型
    3.6.3  學習方法在LDA中的應用
  3.7  集成學習方法（Ensemble Method）
    3.7.1  Boosting方法
    3.7.2  Bootstrap Aggregating方法
    3.7.3  Stacking方法
    3.7.4  小結
    參考資料
第4章  機器學習實踐的基礎包
  4.1  簡介
  4.2  Python機器學習基礎環境
    4.2.1  Jupyter Notebook
    4.2.2  Numpy、Scipy、Matplotlib和pandas
    4.2.3  scikit-learn、gensim、TensorFlow和Keras
  4.3  Scala的基礎庫
    4.3.1  Zeppelin
    4.3.2  Breeze
    4.3.3  Spark MLlib
  4.4  本章小結
    參考資料
第5章  機器學習實踐的金剛鑽
  5.1  簡介
  5.2  XGBoost
  5.3  Prediction IO（PIO）
    5.3.1  部署PIO
    5.3.2  機器學習模型引擎的開發
    5.3.3  機器學習模型引擎的部署
    5.3.4  PIO系統的優化
  5.4  Caffe
  5.5  TensorFlow
  5.6  BigDL
  5.7  本章小結
    參考資料
第6章  賬戶業務安全
  6.1  背景介紹

  6.2  賬戶安全保障
    6.2.1  註冊環節
    6.2.2  登錄環節
  6.3  聚類演算法在賬戶安全中的應用
    6.3.1  K-Means演算法
    6.3.2  高斯混合模型（GMM）
    6.3.3  OPTICS演算法和DBSCAN演算法
    6.3.4  應用案例
  6.4  本章小結
    參考資料
第7章  平台業務安全
  7.1  背景介紹
  7.2  電商平台業務安全
  7.3  社交平台業務安全
  7.4  複雜網路演算法在平台業務安全中的應用
    7.4.1  在電商平台作弊團伙識別中的應用
    7.4.2  在識別虛假社交關係中的應用
  7.5  本章小結
    參考資料
第8章  內容業務安全
  8.1  背景介紹
  8.2  如何做好內容業務安全工作
    8.2.1  面臨的挑戰
    8.2.2  部門協作
    8.2.3  技術體系
  8.3  卷積神經網路在內容業務安全中的應用
    8.3.1  人工神經網路（Artificial Neural Network）
    8.3.2  深度神經網路（Deep Neural Network）
    8.3.3  卷積神經網路（Convolutional Neural Network）
    8.3.4  應用案例
  8.4  本章小結
    參考資料
第9章  信息業務安全
  9.1  背景介紹
  9.2  反欺詐業務
  9.3  反爬蟲業務
    9.3.1  驗證問題的可分性
    9.3.2  提升模型效果
  9.4  循環神經網路在信息安全中的應用
    9.4.1  原始RNN（Vanilla RNN）
    9.4.2  LSTM演算法及其變種
    9.4.3  應用案例
  9.5  本章小結
    參考資料
第10章  信貸業務安全
  10.1  背景介紹
  10.2  信貸業務安全簡介
  10.3  分類演算法在信貸業務安全中的應用
    10.3.1  典型分類演算法的介紹
    10.3.2  應用案例：邏輯回歸模型在信貸中風控階段的應用

  10.4  本章小結
    參考資料
第11章  業務安全系統技術架構
  11.1  整體介紹
  11.2  平台層
  11.3  數據層
  11.4  策略層
  11.5  服務層
  11.6  業務層
  11.7  本章小結
    參考資料
第12章  總結與展望
  12.1  總結
  12.2  展望
    參考資料
後記一
後記二
本書常見數學符號定義

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032