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

機器學習高級實踐(計算廣告供需預測智能營銷動態定價)/人工智慧科學與技術叢書

  • 作者：編者:王聰穎//謝志輝|責編:李曉波
  • 出版社：機械工業
  • ISBN：9787111736547
  • 出版日期：2023/11/01
  • 裝幀：平裝
  • 頁數：392
人民幣：RMB 139 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    人工智慧方興未艾，機器學習演算法作為實現人工智慧最重要的技術之一，引起了無數相關從業者的興趣。本書詳細介紹了機器學習演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、特徵工程、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，幫助電腦專業應屆畢業生、跨專業從業者、演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演算法工程師。
作者介紹
編者:王聰穎//謝志輝|責編:李曉波
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
    1.2.1  NumPy
    1.2.2  Pandas
    1.2.3  SciKit-Learn
    1.2.4  TensorFlow
  1.3  機器學習項目實現流程
    1.3.1  業務場景拆解
    1.3.2  構建特徵工程
    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  演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  特徵工程
  3.1  特徵工程基礎
    3.1.1  特徵工程的概念和意義
    3.1.2  工業界特徵工程應用
  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  數值變數處理
    3.3.1  連續特徵離散化
    3.3.2  數值數據變換
    3.3.3  特徵縮放和歸一化
  3.4  類別變數處理
    3.4.1  類別特徵的編碼方法
    3.4.2  特徵交叉
  3.5  特徵篩選
    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
    4.2.2  K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  數據採樣
    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
    5.3.1  Bagging
    5.3.2  Boosting
    5.3.3  Stacking
  5.4  最優化演算法
    5.4.1  梯度下降法
    5.4.2  牛頓法和擬牛頓法
    5.4.3  Momentum/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  計算廣告核心演算法
  6.2  點擊率預估場景下的特徵挖掘
    6.2.1  數據集介紹
    6.2.2  數據分析
    6.2.3  特徵構建
  6.3  常見的點擊率預估模型
    6.3.1  基線模型建設
    6.3.2  DeepCrossing模型
    6.3.3  Wide Deep模型
    6.3.4  Deep Cross模型
    6.3.5  DeepFM模型
    6.3.6  AFM模型
    6.3.7  DIN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  為什麼需要供需預測
    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徵挖掘
    7.2.1  數據集介紹
    7.2.2  數據分析
    7.2.3  特徵構建
  7.3  時序模型探索過程
    7.3.1  傳統時序模型——ARIMA
    7.3.2  Prophet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徵挖掘
    8.2.1  數據集介紹
    8.2.2  用戶側特徵挖掘
    8.2.3  產品側特徵挖掘
  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  怎麼發——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  動態定價相關的特徵挖掘
    9.2.1  時空特徵挖掘
    9.2.2  用戶特徵挖掘
    9.2.3  平台特徵挖掘
  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

  • 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