智能WEB算法 第2版PDF电子书下载

第1章 为智能Web建立应用 1

1.1 智能算法的实践运用：Google Now 3

1.2 智能算法的生命周期 5

1.3 智能算法的更多示例 6

1.4 不属于智能应用的内容 7

1.4.1 智能算法并不是万能的思考机器 7

1.4.2 智能算法并不能成为完全代替人类的工具 8

1.4.3 智能算法的发展并非一蹴而就 8

1.5 智能算法的类别体系 9

1.5.1 人工智能 9

1.5.2 机器学习 10

1.5.3 预测分析 11

1.6 评估智能算法的效果 13

1.6.1 评估智能化的程度 13

1.6.2 评估预测 14

1.7 智能算法的重点归纳 16

1.7.1 你的数据未必可靠 16

1.7.2 计算难以瞬间完成 17

1.7.3 数据规模非常重要 17

1.7.4 不同的算法具有不同的扩展能力 18

1.7.5 并不存在万能的方法 18

1.7.6 数据并不是万能的 18

1.7.7 模型训练时间差异很大 18

1.7.8 泛化能力是目标 19

1.7.9 人类的直觉未必准确 19

1.7.10 要考虑融入更多新特征 19

1.7.11 要学习各种不同的模型 19

1.7.12 相关关系不等同于因果关系 20

1.8 本章小结 20

第2章 从数据中提取结构：聚类和数据变换 21

2.1 数据、结构、偏见和噪声 23

2.2 维度诅咒 26

2.3 k-means算法 27

2.3.1 实践运用k-means 31

2.4 高斯混合模型 34

2.4.1 什么是高斯分布 34

2.4.2 期望最大与高斯分布 37

2.4.3 高斯混合模型 37

2.4.4 高斯混合模型的学习实例 38

2.5 k-means和GMM的关系 41

2.6 数据坐标轴的变换 42

2.6.1 特征向量和特征值 43

2.6.2 主成分分析 43

2.6.3 主成分分析的示例 45

2.7 本章小结 47

第3章 推荐系统的相关内容 48

3.1 场景设置：在线电影商店 49

3.2 距离和相似度 50

3.2.1 距离和相似度的剖析 54

3.2.2 最好的相似度公式是什么 56

3.3 推荐引擎是如何工作的 57

3.4 基于用户的协同过滤 59

3.5 奇异值分解用于基于模型的推荐 64

3.5.1 奇异值分解 64

3.5.2 使用奇异值分解进行推荐：为用户挑选电影 66

3.5.3 使用奇异值分解进行推荐：帮电影找到用户 71

3.6 Netflix竞赛 74

3.7 评估推荐系统 76

3.8 本章小结 78

第4章 分类：将物品归类到所属的地方 79

4.1 对分类的需求 80

4.2 分类算法概览 83

4.2.1 结构性分类算法 84

4.2.2 统计性分类算法 86

4.2.3 分类器的生命周期 87

4.3 基于逻辑回归的欺诈检测 88

4.3.1 线性回归简介 89

4.3.2 从线性回归到逻辑回归 91

4.3.3 欺诈检测的应用 94

4.4 你的结果可信吗 102

4.5 大型数据集的分类技术 106

4.6 本章小结 108

第5章 在线广告点击预测 109

5.1 历史与背景 110

5.2 广告交易平台 112

5.2.1 cookie匹配 113

5.2.2 竞价（bid） 113

5.2.3 竞价成功（或失败）的通知 114

5.2.4 广告展示位 114

5.2.5 广告监测 115

5.3 什么是bidder 115

5.3.1 bidder的需求 116

5.4 何为决策引擎 117

5.4.1 用户信息 117

5.4.2 广告展示位信息 117

5.4.3 上下文信息 117

5.4.4 数据准备 118

5.4.5 决策引擎模型 118

5.4.6 将点击率预测值映射为竞价价格 118

5.4.7 特征工程 119

5.4.8 模型训练 119

5.5 使用Vowpal Wabbit进行点击预测 120

5.5.1 Vowpal Wabbit的数据格式 120

5.5.2 准备数据集 123

5.5.3 测试模型 128

5.5.4 模型修正 131

5.6 构建决策引擎的复杂问题 132

5.7 实时预测系统的前景 133

5.8 本章小结 134

第6章 深度学习和神经网络 135

6.1 深度学习的直观方法 136

6.2 神经网络 137

6.3 感知机 139

6.3.1 模型训练 141

6.3.2 用scikit-learn训练感知机 142

6.3.3 两个输入值的感知机的几何解释 144

6.4 多层感知机 146

6.4.1 用反向传播训练 150

6.4.2 激活函数 150

6.4.3 反向传播背后的直观理解 152

6.4.4 反向传播理论 153

6.4.5 scikit-learn中的多层神经网络 155

6.4.6 训练出来的多层感知机 158

6.5 更深层：从多层神经网络到深度学习 159

6.5.1 受限玻尔兹曼机 160

6.5.2 伯努利受限玻尔兹曼机 160

6.5.3 受限玻尔兹曼机实战 164

6.6 本章小结 167

第7章 做出正确的选择 168

7.1 A/B测试 170

7.1.1 相关的理论 170

7.1.2 评估代码 173

7.1.3 A/B测试的适用性 174

7.2 多臂赌博机 175

7.2.1 多臂赌博机策略 176

7.3 实践中的贝叶斯赌博机策略 180

7.4 A/B测试与贝叶斯赌博机的对比 191

7.5 扩展到多臂赌博机 192

7.5.1 上下文赌博机 193

7.5.2 对抗赌博机 193

7.6 本章小结 194

第8章 智能Web的未来 196

8.1 智能Web的未来应用 197

8.1.1 物联网 197

8.1.2 家庭健康护理 198

8.1.3 自动驾驶汽车 198

8.1.4 个性化的线下广告 199

8.1.5 语义网 199

8.2 智能Web的社会影响 200

附录A 抓取网络上的数据 201