機器學習高級實踐：運算廣告、供需預測、智慧行銷、動態定價

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機器學習專案實現流程/
1.3.1業務場景拆解/
1.3.2建構特徵工程/
1.3.3模型評估與選型/
1.3.4模型最佳化/
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專案方案製定/
2.2.1專案團隊配置/
2.2.2機器學習專案計畫制定/
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資料預處理/
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數值資料變換/
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 模型評估與模型選型/
4.1模型評估與模型選型摘要/
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迴歸模型評估指標/
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因果推論/
4.5模型選型技術/
4.5.1模型選用依據/
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資料集優化/
5.1.1數據採樣/
5.1.2資料降維/
5.2目標函數最佳化/
5.2.1常見損失函數/
5.2.2正則化項/
5.2.3不平衡資料集下對損失函數的最佳化/
5.3模型結構優化－整合學習/
5.3.1Bagging/
5.3.2Boosting/
5.3.3Stacking/
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/
5.4.3Momentum/AdaGrad/RMSProp/Adam/
5.5模型參數最佳化/
5.5.1模型調參要素/
5.5.2網格搜尋/
5.5.3隨機搜尋/
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資料集介紹/
6.2.2數據分析/
6.2.3特徵建構/
6.3常見的點擊率預估模式/
6.3.1基準模型建置/
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時序問題的資料分析與特徵探勘/
7.2.1資料集介紹/
7.2.2數據分析/
7.2.3特徵建構/
7.3時序模型探索過程/
7.3.1傳統時序模型－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 智慧行銷：優惠券發放/
8.1業務場景介紹/
8.1.1智能行銷的概念和架構/
8.1.2優惠券發放業務場景/
8.2智能行銷場景下的特徵挖掘/
8.2.1資料集介紹/
8.2.2用戶側特徵挖掘/
8.2.3產品側特徵挖掘/
8.3智能行銷建模流程/
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叫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使用者行為預估模式/