機器學(xué)習(xí)的產(chǎn)業(yè)實踐之路

目錄
前言
第一部分　原理與思考
第1章　機器學(xué)習(xí)與大數(shù)據(jù) 2
1.1　機器為何能學(xué)習(xí) 2
1.1.1　人類為何能學(xué)習(xí) 2
1.1.2　從個案學(xué)習(xí)到統(tǒng)計學(xué)習(xí) 3
1.1.3　統(tǒng)計學(xué)習(xí)是否可信 5
1.2　機器是怎樣學(xué)習(xí)的 9
1.2.1　機器學(xué)習(xí)的框架：假設(shè)＋目標＋尋解 9
1.2.2　如何在機器學(xué)習(xí)場景中應(yīng)用大數(shù)定律 14
1.2.3　大數(shù)據(jù)對機器學(xué)習(xí)的意義 17
1.2.4　小結(jié) 20
1.3　跨上人工智能的戰(zhàn)車 20
1.3.1　大數(shù)據(jù)的概念及價值 20
1.3.2　企業(yè)為何要搭上人工智能的戰(zhàn)車 24
1.3.3　企業(yè)如何搭上人工智能的戰(zhàn)車 27
1.3.4　人工智能技術(shù)團隊的建設(shè) 38
第2章　機器學(xué)習(xí)框架的深入探討 40
2.1　機器為何能學(xué)習(xí)（續(xù)）：故事結(jié)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(jié)與回顧 60
2.2　重要權(quán)衡與過擬合 62
2.2.1　重要權(quán)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(jié)與回顧 77
第3章　從線性函數(shù)到非線性函數(shù)，如何構(gòu)建強大的模型 78
3.1　從線性函數(shù)到非線性函數(shù) 78
3.1.1　線性模型的不足 78
3.1.2　怎樣擴展假設(shè)空間 79
3.2　核函數(shù)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(shù)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(xiàn)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(jié) 96
3.4　神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí) 97
3.4.1　神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的模型思路 97
3.4.2　組建神經(jīng)網(wǎng)絡(luò) 98
3.4.3　神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化 99
3.4.4　非線性變換函數(shù)的選擇 102
3.4.5　神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的選擇 104
3.4.6　深度學(xué)習(xí)得到發(fā)展的前提及其具備的優(yōu)勢 107
3.4.7　深度學(xué)習(xí)的重要衍生功能 111
第4章　機器學(xué)習(xí)的建模實踐 122
4.1　業(yè)務(wù)建模 122
4.1.1　如何做好業(yè)務(wù)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(xùn)練樣本的基本概念 140
4.3.2　訓(xùn)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(yè)務(wù)目標的評估 151
4.4.2　模型目標的評估 155
4.5　小結(jié) 170
第二部分　應(yīng)用與方法
第5章　電商平臺促銷策略模型 174
5.1　業(yè)務(wù)背景 174
5.1.1　互聯(lián)網(wǎng)的盈利模式 174
5.1.2　廣告定價機制 175
5.2　傳統(tǒng)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(wù) 179
5.2.3　問題3：如何設(shè)置優(yōu)惠定價模型 182
5.3　基于競爭傳播的顛覆創(chuàng)新 190
5.3.1　顛覆創(chuàng)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(jié) 198
第6章　計算機視覺及其應(yīng)用產(chǎn)品的構(gòu)建 199
6.1　計算機視覺產(chǎn)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(xiàn)高速計算的方法：特征降維 221
6.3　視覺產(chǎn)品的構(gòu)建案例 223
6.3.1　如何在海量數(shù)據(jù)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(lǐng)域常見任務(wù) 233
6.4　計算機視覺應(yīng)用的產(chǎn)業(yè)分析 236
6.4.1　計算機視覺在互聯(lián)網(wǎng)行業(yè)的應(yīng)用 237
6.4.2　計算機視覺在傳統(tǒng)行業(yè)的應(yīng)用 243
6.5　小結(jié) 245
第7章　知識圖譜和對話機器人 248
7.1　知識圖譜技術(shù) 248
7.1.1　兩類信息 248
7.1.2　人工智能技術(shù)的發(fā)展歷程 248
7.1.3　什么是知識圖譜 250
7.1.4　知識圖譜的應(yīng)用場景 251
7.2　基于知識的人機交互 253
7.2.1　基于領(lǐng)域知識優(yōu)化人機交互策略 253
7.2.2　領(lǐng)域知識的挖掘 257
7.3　對話機器人的產(chǎn)業(yè)分析與技術(shù)方案 266
7.3.1　技術(shù)流派與實現(xiàn)方案 266
7.3.2　技術(shù)應(yīng)用兩大方向 268
7.3.3　技術(shù)實現(xiàn) 276
7.3.4　應(yīng)用MDP和Q-learning算法的案例 283
第三部分　商業(yè)與戰(zhàn)略
第8章　認知新技術(shù)：區(qū)塊鏈 290
8.1　從創(chuàng)造者的視角理解技術(shù) 290
8.1.1　貨幣的本質(zhì)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(xiàn)分布式存儲的數(shù)據(jù)同步 295
8.1.6　如何解決記賬的動力 297
8.2