機器學習的產業實踐之路

前言
第一部分原理與思考
第1章機器學習與大數據
1.1 機器為何能學習
1.1.1 人類為何能學習
1.1.2 從個案學習到統計學習
1.1.3 統計學習是否可信
1.2 機器是怎樣學習的
1.2.1 機器學習的框架：假設+目標+尋解
1.2.2 如何在機器學習場景中應用大數定律
1.2.3 大數據對機器學習的意義
1.2.4 小結
1.3 跨上人工智能的戰車
1.3.1 大數據的概念及價值
1.3.2 企業為何要搭上人工智能的戰車
1.3.3 企業如何搭上人工智能的戰車
1.3.4 人工智能技術團隊的建設
第2章機器學習框架的深入探討
2.1 機器為何能學習（續）：故事結束了嗎？我們需要更多的模型嗎
2.1.1 牛頓第二定律的遺留問題
2.1.2 新的需求場景
2.1.3 不同的目標
2.1.4 不同的尋解
2.1.5 小結與回顧
2.2 重要權衡與過擬合
2.2.1 重要權衡的四張“面孔”
2.2.2 過擬合的成因和防控
2.2.3 小結與回顧
第3章從線性函數到非線性函數，如何構建強大的模型
3.1 從線性函數到非線性函數
3.1.1 線性模型的不足
3.1.2 怎樣擴展假設空間
3.2 核函數方法
3.2.1 正則化的另一種理解與SVM模型
3.2.2 核函數的思路
3.3 多模型組合的方法
3.3.1 組合模型的兩個好處
3.3.2 實現組合模型的兩個步驟和方法
3.3.3 裝袋方式
3.3.4 提升方式
3.3.5 切分方式
3.3.6 小結
3.4 神經網絡與深度學習
3.4.1 神經網絡和深度學習的模型思路
3.4.2 組建神經網絡
3.4.3 神經網絡模型的優化
3.4.4 非線性變換函數的選擇
3.4.5 神經網絡結構的選擇
3.4.6 深度學習得到發展的前提及其具備的優勢
3.4.7 深度學習的重要衍生功能
第4章機器學習的建模實踐
4.1 業務建模
4.1.1 如何做好業務建模
4.1.2 案例：兩個不同的排序模型
4.2 特徵工程
4.2.1 特徵工程的定義
4.2.2 信息可以存儲在特徵中，也可以存儲在模型中
4.2.3 特徵工程案例
4.2.4 特徵的類型和維度
4.2.5 特徵存在缺失或錯誤值時怎麼辦
4.2.6 特徵降維和選擇
4.3 樣本處理
4.3.1 訓練樣本的基本概念
4.3.2 訓練樣本的常見問題及其解決方案
4.4 模型評估
4.4.1 業務目標的評估
4.4.2 模型目標的評估
4.5 小結
第二部分應用與方法
第5章電商平台促銷策略模型
5.1 業務背景
5.1.1 互聯網的盈利模式
5.1.2 廣告定價機制
5.2 傳統的促銷方案
5.2.1 問題1：如何選擇促銷時機
5.2.2 問題2：如何為店鋪制定廣告消費任務
5.2.3 問題3：如何設置優惠定價模型
5.3 基於競爭傳播的顛覆創新
5.3.1 顛覆創新的思考
5.3.2 競爭傳播模型
5.3.3 種子集合篩選算法
5.4 小結
第6章計算機視覺及其應用產品的構建
6.1 計算機視覺產品的問題背景
6.2 圖像的特徵表示
6.2.1 SIFT特徵
6.2.2 CNN模型與特徵
6.2.3 實現高速計算的方法：特徵降維
6.3 視覺產品的構建案例
6.3.1 如何在海量數據中尋找匹配的圖像
6.3.2 如何識別和理解圖像中的實體信息
6.3.3 其他計算機視覺領域常見任務
6.4 計算機視覺應用的產業分析
6.4.1 計算機視覺在互聯網行業的應用
6.4.2 計算機視覺在傳統行業的應用
6.5 小結
第7章知識圖譜和對話機器人
7.1 知識圖譜技術
7.1.1 兩類信息
7.1.2 人工智能技術的發展歷程
7.1.3 什麼是知識圖譜
7.1.4 知識圖譜的應用場景
7.2 基於知識的人機交互
7.2.1 基於領域知識優化人機交互策略
7.2.2 領域知識的挖掘
7.3 對話機器人的產業分析與技術方案
7.3.1 技術流派與實現方案
7.3.2 技術應用兩大方向
7.3.3 技術實現
7.3.4 應用MDP和Q-learning算法的案例
第三部分商業與戰略
第8章認知新技術：區塊鏈
8.1 從創造者的視角理解技術
8.1.1 貨幣的本質是什麼
8.1.2 如何記賬
8.1.3 如何保證賬本的真實性
8.1.4 如何保證賬本的安全性
8.1.5 如何實現分佈式存儲的數據同步
8.1.6 如何解決記賬的動力
8.2 用抽象邏輯梳理應用場景
8.2.1 “鏈圈”應用的內在邏輯
8.2.2 區塊鏈技術應用的案例
8.2.3 區塊鏈技術應用的三個阻礙
8.2.4 “鏈圈”應用的總結
8.3 “幣圈”應用思想的精要