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