機器學習高級實踐：運算廣告、供需預測、智慧行銷、動態定價
王聰穎 謝誌輝
- 出版商: 機械工業
- 出版日期: 2023-11-15
- 定價: $834
- 售價: 8.5 折 $709
- 語言: 簡體中文
- 頁數: 408
- 裝訂: 平裝
- ISBN: 7111736540
- ISBN-13: 9787111736547
-
相關分類:
Machine Learning
立即出貨 (庫存 < 4)
買這商品的人也買了...
-
系統程式 (System Software: An Introduction to Systems Programming, 3/e)(2014年更新版)$680$666 -
無瑕的程式碼－整潔的軟體設計與架構篇 (Clean Architecture: A Craftsman's Guide to Software Structure and Design)$580$452 -
分散式系統設計 (Designing Distributed Systems: Patterns and Paradigms for Scalable, Reliable Services)$480$379 -
提升程式設計師的面試力｜189道面試題目與解答, 6/e (修訂版) (Cracking the Coding Interview : 189 Programming Questions and Solutions, 6/e)$980$774 -
資料密集型應用系統設計 (Designing Data-Intensive Applications: The Big Ideas Behind Reliable, Scalable, and Maintainable Systems)$980$774 -
資料科學的建模基礎 : 別急著 coding！你知道模型的陷阱嗎？$599$473 -
超大流量系統解決方案 : 大型網站架構師的經驗分享$690$538 -
內行人才知道的系統設計面試指南$580$458 -
資料科學的統計實務 : 探索資料本質、扎實解讀數據，才是機器學習成功建模的第一步$599$473 -
從自學到成功轉職軟體工程師：自主學習讓我重拾人生的發球權（iT邦幫忙鐵人賽系列書）$520$406 -
AI 開發的機器學習系統設計模式$620$490 -
Python 大數據專案 X 工程 X 產品 資料工程師的升級攻略, 2/e$780$616 -
圖解 Linux 核心工作原理｜透過實作與圖解學習 OS 與硬體的基礎知識【增訂版】$600$474 -
乾脆一次搞清楚：最完整詳細網路協定全書, 2/e$780$616 -
Clean Code 錦囊妙計 (Clean Code Cookbook : Recipes to Improve the Design and Quality of Your Code)$880$695 -
演算法導論, 4/e (Introduction to Algorithms, 4/e)$1,800$1,422 -
輕量又漂亮的 Python Web 框架 - Streamlit AI 時代非學不可$690$545 -
內行人才知道的機器學習系統設計面試指南 (Machine Learning System Design Interview)$680$537 -
軟體工程師求職策略大全：透過外商面試題目演練、手把手履歷教學，跟招募員過招、白板解題、薪資談判到入職準備，帶讀者用最有效的方式找工作$680$530 -
翻轉職涯！雲端 / DevOps / SRE 工程師轉職必殺技：四大步驟帶你找出職能優勢、成功精準轉職的規劃指南（iThome鐵人賽系列書）$650$507 -
程式設計原來不只有寫 CODE！銜接學校與職場的五堂軟體開發實習課 = Beyond Just Coding: Five Essential Lessons from Classroom to Career in Software Development$700$546 -
新手也能學會的 Git & GitHub 教科書$580$458 -
軟體測試修練指南：我獨自升級的實戰心法（iThome鐵人賽系列書)$690$538 -
我輩程式人：回顧從 Ada 到 AI 這條程式路，程式人如何改變世界的歷史與未來展望 (We, Programmers: A Chronicle of Coders from Ada to AI)$850$663 -
Vibe Coding - Cursor 教戰手冊$880$695
相關主題
商品描述
本書旨在介紹機器學習演算法的理論基礎與高階實務案例，理論部分介紹了機器學習專案體系建構路徑，
包括業務場景拆解、特徵工程、模型評估和選型、模型最佳化；實務部分介紹了業界常見的業務場景，
包括計算廣告、供需預測、智慧行銷、動態定價。 隨書附贈所有案例源碼，取得方式請見封底。
作者簡介
王聰穎，北京郵電大學電腦學院（國家示範性軟件學院）碩士，現任滴滴國際化資深演算法工程師，負責滴滴國際化成長、調度演算法策略。曾任職於快手、順豐、VMware等多家國內外知名科技公司，從0～1、1～10地參與設計並主導開發了多個機器學習演算法賦能業務場景並顯著提升業務效果的項目，曾獲得Kaggle比賽銀牌、銅牌。
目錄大綱
序一
序二
前言
第1章 機器學習/
1.1機器學習概述/
1.1.1機器學習發展史/
1.1.2機器學習工作原理/
1.2機器學習典型工具箱/
1.2.1NumPy/
1.2.2Pandas/
1.2.3SciKit-Learn/
1.2.4TensorFlow/
1.3機器學習專案實現流程/
1.3.1業務場景拆解/
1.3.2建構特徵工程/
1.3.3模型評估與選型/
1.3.4模型最佳化/
第2章 業務場景拆解/
2.1業務目標拆解/
2.1.1業務目標拆解方法/
2.1.2演算法模型作用環節分析/
2.2專案方案製定/
2.2.1專案團隊配置/
2.2.2機器學習專案計畫制定/
第3章 特徵工程/
3.1特徵工程基礎/
3.1.1特徵工程的概念和意義/
3.1.2工業界特徵工程應用/
3.2資料預處理/
3.2.1缺失值處理/
3.2.2異常值處理/
3.3數值變量處理/
3.3.1連續特徵離散化/
3.3.2數值資料變換/
3.3.3特徵縮放和歸一化/
3.4類別變量處理/
3.4.1類別特徵的編碼方法/
3.4.2特徵交叉/
3.5特徵篩選/
3.5.1過濾式/
3.5.2包裝法/
3.5.3嵌入法/
第4章 模型評估與模型選型/
4.1模型評估與模型選型摘要/
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折交叉驗證法/
4.2.3自助法/
4.3模型評估指標/
4.3.1分類問題評估指標/
4.3.2迴歸模型評估指標/
4.3.3結合業務場景選擇評估指標/
4.4典型模型介紹/
4.4.1統計機器學習/
4.4.2深度學習/
4.4.3因果推論/
4.5模型選型技術/
4.5.1模型選用依據/
4.5.2偏差和方差/
4.5.3結合業務場景進行模型選型/
第5章 模型優化/
5.1資料集優化/
5.1.1數據採樣/
5.1.2資料降維/
5.2目標函數最佳化/
5.2.1常見損失函數/
5.2.2正則化項/
5.2.3不平衡資料集下對損失函數的最佳化/
5.3模型結構優化－整合學習/
5.3.1Bagging/
5.3.2Boosting/
5.3.3Stacking/
5.4最優化演算法/
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模型參數最佳化/
5.5.1模型調參要素/
5.5.2網格搜尋/
5.5.3隨機搜尋/
5.5.4貝葉斯優化/
第6章 計算廣告：廣告點擊率預估/
6.1業務場景介紹/
6.1.1計算廣告概述/
6.1.2計算廣告核心演算法/
6.2點擊率預估場景下的特徵挖掘/
6.2.1資料集介紹/
6.2.2數據分析/
6.2.3特徵建構/
6.3常見的點擊率預估模式/
6.3.1基準模型建置/
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 供需預測：「新零售」之供需時序建模/
7.1業務場景介紹/
7.1.1為什麼需要供需預測/
7.1.2新零售場景下的供需預測/
7.2時序問題的資料分析與特徵探勘/
7.2.1資料集介紹/
7.2.2數據分析/
7.2.3特徵建構/
7.3時序模型探索過程/
7.3.1傳統時序模型－ARIMA/
7.3.2Prophet模型/
7.3.3樹模型—LightGBM/
7.3.4深度學習模型－LSTM模型/
7.3.5深度學習模型－Transformer模型/
7.3.6深度學習模型－DeepAR模型/
第8章 智慧行銷：優惠券發放/
8.1業務場景介紹/
8.1.1智能行銷的概念和架構/
8.1.2優惠券發放業務場景/
8.2智能行銷場景下的特徵挖掘/
8.2.1資料集介紹/
8.2.2用戶側特徵挖掘/
8.2.3產品側特徵挖掘/
8.3智能行銷建模流程/
8.3.1發給誰－人群分層模型（RFM、Uplift Model、ESMM）/
8.3.2發多少－LTV模型/
8.3.3怎麼發－優惠券分發策略/
第9章 動態定價：交易市場價格動態調整/
9.1業務場景介紹/
9.1.1動態定價概述/
9.1.2常見動態定價業務場景/
9.1.3叫車場景下的交易市場業務/
9.2動態定價相關的特徵挖掘/
9.2.1時空特徵挖掘/
9.2.2用戶特徵挖掘/
9.2.3平臺特徵挖掘/
9.3動態定價模型/
9.3.1動態定價策略總覽/
9.3.2使用者行為預估模式/
