大数据预测 告诉你谁会点击、购买、死去或撒谎PDF电子书下载

序言 9

前言 预测分析的职业风险 13

导论 预测效应 17

第一章 升空！预测开始发威 1

开始实践 5

人人爱预言，虽然不精确 8

防护预测 9

价值100万美元的无声革命 11

个性化的危险 13

预测分析程序的安装：迂回和拖延 15

运行过程中 16

基本要素：观察 17

行动就是决策 21

危险的启动 23

呼叫休斯敦，我们有麻烦了 26

能做到的小模型 29

休斯敦，发射 31

热情的科学家 33

让预测走入内心 34

第二章 权力越大，责任越大：惠普、Target超市、警察和美国国家安全局会窥探你的秘密 35

Target超市的预测及其预测目标 39

意味深长的停顿 41

我的15分钟 42

曝光于聚光灯下 44

你无法禁锢那些可传输的东西 46

法律与秩序：政策和数据监管 48

数据之战 50

数据挖掘并不是“攫取”数据 52

惠普自我学习 54

洞悉员工还是侵犯隐私 55

辞职风险：我不干了！ 57

洞见：辞职背后的因素 59

危险品 61

辞职风险评估的价值 62

预测犯罪，提前杜绝犯罪 64

数据犯罪和犯罪数据 77

无法测量的机器风险 79

偏见的轮回 82

好的预测 坏的预测 85

第三章 数据效应：彩虹之后的饕餮 91

焦虑指数 93

将情绪可视化 94

在数据里寻宝 95

一切都数据化 97

把所有舱门都封死：信息太多了 100

谁的数据会成为你的囊中之物？ 103

彩虹之末 104

预测之汁 106

遥远、奇特和惊人的洞察力 107

有关系，并不意味着是因果关系 120

第四章 学习的机器：大通银行对房产抵押风险的预测分析 127

男孩与银行的相遇 129

银行面临着风险 130

预测抵御风险 132

风险业务 134

学习机器 136

创建机器学习 138

从负面经验中学习 141

机器如何学习 141

你可以决定决策树的规模 145

计算机，为自己编程吧 148

学吧，宝贝 150

越大越好 153

过度学习：假设太多 156

归纳之谜 159

机器学习的艺术和科学 161

感觉真实：测试数据 163

去粗取精是艺术 166

在大通银行应用分类一回归决策树 171

摇钱树 174

回归——为何显微镜无法观察到宇宙碰撞 174

后续 176

第五章 集团效应：Netflix、众包以及增压预测 177

业余火箭科学家 179

黑马 181

思想外包：集思广益 181

众包如星火燎原 184

生于忧患 187

联合国 188

元学习 190

两个预测模型的组合 190

好戏在后头 192

集体信息 194

群体和模型的智慧 197

一袋子模型 198

集体智慧开始发威 202

泛化悖论：过犹不及 203

挑战极限 204

第六章 “沃森”和《危险边缘》节目 221

文本分析 225

英语的爱恨情仇 226

在理解问题之后就要回答 229

知识终极源泉 232

人工智能悖论 235

学习回答问题 238

学人走路，学人说话 241

更好的捕鼠器 243

应答机器 245

投机取巧的《危险边缘》 245

从证据中寻找答案 248

基础知识，亲爱的“沃森” 250

证据如山 255

用组合模型来判断证据 257

组合模型的组合 259

机器学习使自然语言处理成为可能 260

自信但不自负 262

需要速度 266

双重危险一“沃森”会赢吗？ 267

《危险边缘》的惶恐 269

为了胜利 271

比赛之后：荣誉、嘉奖和崇拜 274

非对称性IBM人工智能 275

对的预测 276

第七章 用数字说话：挪威电信和美国合众银行工程师如何通过预测来施加影响 277

搅拌吧，用力搅拌 279

沉睡的狗 281

要预测新的内容 283

眼睛看不到 286

预测说服 287

具有说服性的选择 289

商业刺激和商业反馈 293

定量人性 294

量子人性一他是否可被影响？ 298

通过上提模型预测影响力 298

银行业对影响力的运用 300

预测错误之事 302

响应上提模型 304

上提模型的原理 305

上提模型如何发挥作用 308

说服效应 311

不同行业的影响 312

让移动客户不移动 316

结语 327