第一章 升空！预测开始发威 1
开始实践 4
人人爱预言，虽然不精确 6
防护预测 7
价值100万美元的无声革命 8
个性化的危险 10
预测分析程序的安装：迂回和拖延 11
运行过程中 12
基本要素是：观察 13
行动就是决策 17
危险的启动 18
呼叫休斯敦，我们有麻烦了 20
能做到的小模型 22
休斯敦，发射 24
热情的科学家 25
让预测走入内心 26
第二章 权力越大，责任越大：惠普、目标超市和警察会窥探你的秘密 27
目标超市的预测及其预测目标 30
意味深长的停顿 32
我的15分钟 32
曝光于聚光灯下 33
你无法禁锢那些可传送的东西 35
法律与秩序：政策、政治和监管 37
数据之战 38
数据挖掘并不是“攫取”数据 39
惠普自我学习 40
洞悉员工还是侵犯隐私 41
辞职风险：我不千了！ 43
洞见：辞职背后的因素 44
危险品 46
领先者不必辞职 47
预测犯罪，提前杜绝犯罪 48
数据犯罪和犯罪数据 57
无法测量的机器风险 59
偏见的轮回 61
好的预测 坏的预测 63
力量源泉 66
第三章 数据效应：彩虹之后的饕餮 67
数据情感和情感数据 69
预测博客中的情绪 71
焦虑指数 74
将情绪可视化 74
要把钱投到正确的地方 75
灵感与汗水 76
在数据里寻宝 78
一切都数据化 80
把所有舱门都封死：信息太多了 82
坏的大灰狼 84
彩虹之末 85
预测之汁 86
遥远、奇特和惊人的洞察力 87
关系并不意味着因果 92
情感的因果关系 97
一图胜千言 99
验证情感和被验证的情感 102
偶遇与创新 103
来自博客圈的投资建议 105
金钱让世界转动 106
将所有内容都放在一起 108
第四章 学习的机器：大通银行对房产抵押风险的预测分析 109
男孩与银行的相遇 111
银行面临着风险 112
预测抵御风险 113
风险业务 115
学习机器 117
创建机器学习 118
从负面经验中学习 120
机器学习是如何运作的 121
你可以决定决策树的规模 123
计算机，为自己编程吧 126
学吧，宝贝 127
越大越好 130
过度学习：假设太多 132
归纳之谜 134
机器学习的艺术和科学 135
感觉真实：测试数据 137
去粗取精是艺术 139
在大通银行应用分类一回归决策树 143
摇钱树 145
回归——为何显微镜无法观察到宇宙碰撞 145
后续 146
第五章 集团效应：Netflix、众包以及增压预测 147
非正式火箭科学家 149
黑马 150
思想外包：集思广益 151
众包如星火燎原 153
生于忧患 155
联合国 155
元学习 156
两个预测模型的组合 157
好戏在后头 158
集体信息 160
群体和模型的智慧 161
一袋子模型 162
集体智慧开始发威 165
泛化悖论：过犹不及 166
挑战极限 167
第六章 “沃森”和《危险边缘》节目 177
文本分析 180
英语的爱恨情仇 181
在理解问题之后就要回答 183
终极知识源泉 185
人工智能悖论 187
学习回答问题 189
学人走路 学人说话 191
更好的捕鼠器 193
应答机器 194
投机取巧的《危险边缘》 195
从证据中寻找答案 196
基础知识，亲爱的“沃森” 198
证据如山 202
用组合模型来判断证据 204
组合模型的组合 205
机器学习使语言处理成为可能 206
自信但不自负 207
需要速度 210
双面危险——“沃森”会赢吗？ 211
《危险边缘》的惶恐 213
为了胜利 215
比赛之后：荣誉、嘉奖和崇拜 216
非对称性IBM人工智能 217
对的预测 218
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 219
搅拌吧，用力搅拌 221
沉睡的狗 223
要预测新的内容 224
眼睛看不到 226
预测说服 228
具有说服性的选择 229
商业刺激和商业反馈 231
定量人性 232
量子人性——他是否可被影响？ 235
通过上提模型预测影响力 236
银行业对影响力的运用 237
预测错误之事 239
响应上提模型 240
上提模型的原理 241
上提模型如何发挥作用 243
说服效应 246
不同行业的影响 246
让移动客户不移动 249
结语 257