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：	408	字數：

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(yè)者的興趣。本書詳細介紹了機器學習算法的理論基礎和實踐案例，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。本書內容深入淺出，理論與實踐相結合，幫助計算機專業(yè)應屆畢業(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。

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，現任滴滴化算法工程師，負責滴滴化增長、調度算法策略。曾供職于快手，順豐，VMware等多家外知名科技公司，從0-1、1-10的參與設計并開發(fā)了多個機器學習算法賦能業(yè)務場景并顯著提升業(yè)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(yè)級的分析和自動化的模型平臺，對支持業(yè)務規(guī)?；涂焖俚鸬搅岁P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(yè)界之前在伊利諾伊大學執(zhí)教。作者在相關領域的會議和雜志上發(fā)表論文十多篇，申請中/已授權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機器學習項目實現流程/
1.3.1業(yè)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(yōu)化/
第2章業(yè)務場景拆解/
2.1業(yè)務目標拆解/
2.1.1業(yè)務目標拆解方法/
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/
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(xù)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(yè)務場景選擇評估指標/
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/
4.5.1模型選型依據/
4.5.2偏差和方差/
4.5.3結合業(yè)務場景進行模型選型/
第5章模型優(yōu)化/
5.1數據集優(yōu)化/
5.1.1數據采樣/
5.1.2數據降維/
5.2目標函數優(yōu)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(yōu)化/
5.3模型結構優(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模型參數優(yōu)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(yōu)化/
第6章計算廣告：廣告點擊率預估/
6.1業(yè)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(yè)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(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)務場景介紹/
8.1.1智能營銷的概念和架構/
8.1.2優(yōu)惠券發(fā)放業(yè)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(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)調整/
9.1業(yè)務場景介紹/
9.1.1動態(tài)定價概述/
9.1.2常見動態(tài)定價業(yè)務場景/
9.1.3網約車場景下的交易市場業(yè)務/
9.2動態(tài)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(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/