機(jī)器學(xué)習(xí)高級實(shí)踐：計(jì)算廣告、供需預(yù)測、智能營銷、動態(tài)定價(jià)

序一
序二
前言
第1章 機(jī)器學(xué)習(xí)/
1.1機(jī)器學(xué)習(xí)概述/
1.1.1機(jī)器學(xué)習(xí)發(fā)展歷史/
1.1.2機(jī)器學(xué)習(xí)工作原理/
1.2機(jī)器學(xué)習(xí)典型工具箱/
1.2.1NumPy/
1.2.2Pandas/
1.2.3SciKit-Learn/
1.2.4TensorFlow/
1.3機(jī)器學(xué)習(xí)項(xiàng)目實(shí)現(xiàn)流程/
1.3.1業(yè)務(wù)場景拆解/
1.3.2構(gòu)建特征工程/
1.3.3模型評估與選型/
1.3.4模型優(yōu)化/
第2章 業(yè)務(wù)場景拆解/
2.1業(yè)務(wù)目標(biāo)拆解/
2.1.1業(yè)務(wù)目標(biāo)拆解方法/
2.1.2算法模型作用環(huán)節(jié)分析/
2.2項(xiàng)目方案制定/
2.2.1項(xiàng)目團(tuán)隊(duì)配置/
2.2.2機(jī)器學(xué)習(xí)項(xiàng)目方案制定/
第3章 特征工程/
3.1特征工程基礎(chǔ)/
3.1.1特征工程的概念和意義/
3.1.2工業(yè)界特征工程應(yīng)用/
3.2數(shù)據(jù)預(yù)處理/
3.2.1缺失值處理/
3.2.2異常值處理/
3.3數(shù)值變量處理/
3.3.1連續(xù)特征離散化/
3.3.2數(shù)值數(shù)據(jù)變換/
3.3.3特征縮放和歸一化/
3.4類別變量處理/
3.4.1類別特征的編碼方法/
3.4.2特征交叉/
3.5特征篩選/
3.5.1過濾式/
3.5.2包裝法/
3.5.3嵌入法/
第4章 模型評估和模型選型/
4.1模型評估和模型選型概要/
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(yàn)證法/
4.2.3自助法/
4.3模型評估指標(biāo)/
4.3.1分類問題評估指標(biāo)/
4.3.2回歸模型評估指標(biāo)/
4.3.3結(jié)合業(yè)務(wù)場景選擇評估指標(biāo)/
4.4典型模型介紹/
4.4.1統(tǒng)計(jì)機(jī)器學(xué)習(xí)/
4.4.2深度學(xué)習(xí)/
4.4.3因果推斷/
4.5模型選型技術(shù)/
4.5.1模型選型依據(jù)/
4.5.2偏差和方差/
4.5.3結(jié)合業(yè)務(wù)場景進(jìn)行模型選型/
第5章 模型優(yōu)化/
5.1數(shù)據(jù)集優(yōu)化/
5.1.1數(shù)據(jù)采樣/
5.1.2數(shù)據(jù)降維/
5.2目標(biāo)函數(shù)優(yōu)化/
5.2.1常見損失函數(shù)/
5.2.2正則化項(xiàng)/
5.2.3不平衡數(shù)據(jù)集下對損失函數(shù)的優(yōu)化/
5.3模型結(jié)構(gòu)優(yōu)化——集成學(xué)習(xí)/
5.3.1Bagging/
5.3.2Boosting/
5.3.3Stacking/
5.4 化算法/
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(shù)優(yōu)化/
5.5.1模型調(diào)參要素/
5.5.2網(wǎng)格搜索/
5.5.3隨機(jī)搜索/
5.5.4貝葉斯優(yōu)化/
第6章 計(jì)算廣告：廣告點(diǎn)擊率預(yù)估/
6.1業(yè)務(wù)場景介紹/
6.1.1計(jì)算廣告概述/
6.1.2計(jì)算廣告核心算法/
6.2點(diǎn)擊率預(yù)估場景下的特征挖掘/
6.2.1數(shù)據(jù)集介紹/
6.2.2數(shù)據(jù)分析/
6.2.3特征構(gòu)建/
6.3常見的點(diǎn)擊率預(yù)估模型/
6.3.1基線模型建設(shè)/
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(yù)測：“新零售”之供需時(shí)序建模/
7.1業(yè)務(wù)場景介紹/
7.1.1為什么需要供需預(yù)測/
7.1.2新零售場景下的供需預(yù)測/
7.2時(shí)序問題的數(shù)據(jù)分析和特征挖掘/
7.2.1數(shù)據(jù)集介紹/
7.2.2數(shù)據(jù)分析/
7.2.3特征構(gòu)建/
7.3時(shí)序模型探索過程/
7.3.1傳統(tǒng)時(shí)序模型——ARIMA/
7.3.2Prophet模型/
7.3.3樹模型——LightGBM/
7.3.4深度學(xué)習(xí)模型——LSTM模型/
7.3.5深度學(xué)習(xí)模型——Transformer模型/
7.3.6深度學(xué)習(xí)模型——DeepAR模型/
第8章 智能營銷：優(yōu)惠券發(fā)放/
8.1業(yè)務(wù)場景介紹/
8.1.1智能營銷的概念和架構(gòu)/
8.1.2優(yōu)惠券發(fā)放業(yè)務(wù)場景/
8.2智能營銷場景下的特征挖掘/
8.2.1數(shù)據(jù)集介紹/
8.2.2用戶側(cè)特征挖掘/
8.2.3產(chǎn)品側(cè)特征挖掘/
8.3智能營銷建模流程/
8.3.1發(fā)給誰——人群分層模型（RFM、Uplift Model、ESMM）/
8.3.2發(fā)多少——LTV模型/
8.3.3怎么發(fā)——優(yōu)惠券分發(fā)策略/
第9章 動態(tài)定價(jià)：交易市場價(jià)格動態(tài)調(diào)整/
9.1業(yè)務(wù)場景介紹/
9.1.1動態(tài)定價(jià)概述/
9.1.2常見動態(tài)定價(jià)業(yè)務(wù)場景/
9.1.3網(wǎng)約車場景下的交易市場業(yè)務(wù)/
9.2動態(tài)定價(jià)相關(guān)的特征挖掘/
9.2.1時(shí)空特征挖掘/
9.2.2用戶特征挖掘/
9.2.3平臺特征挖掘/
9.3動態(tài)定價(jià)模型/
9.3.1動態(tài)定價(jià)策略總覽/
9.3.2用戶行為預(yù)估模型/