机器学习的产业实践之路

作者简介

11.4.2 往届学员优秀作品展示

11.4.1 毕业设计作业

11.4 实践课4：毕业设计

11.3 实践课3：词向量和语义相似度

11.2 实践课2：手写数字识别

11.1.3 使用飞桨构建波士顿房价预测模型

11.1.2 飞桨产业级深度学习开源开放平台

11.1.1 深度学习框架

11.1 实践课1：基于深度学习框架飞桨完成房价预测任务

第11章 实践课

第四部分 工具与实践

10.7 人工智能应用领域的职业前景

10.6 企业的组织能力：《创新者的窘境》中的理论

10.5.3 人工智能的企业市场分析

10.5.2 人工智能应用的方法论

10.5.1 人工智能未来的发展

10.5 人工智能的产业展望

10.4.4 案例：短视频C端赛道的业务

10.4.3 层面3：分析具备能力的候选企业

10.4.2 层面2：梳理具体技术方向的内部逻辑

10.4.1 层面1：梳理业务所需的技术全景

10.4 技术投资与采购的方法论

10.3.3 互联网企业赋能生态伙伴的方法论

10.3.2 互联网企业以整合C端平台供应链的模式切入B端服务市场

10.3.1 平台模式的典型案例：Steam游戏平台

10.3 新型壁垒：平台模式的解析

10.2.2 常见的战略壁垒

10.2.1 战略壁垒的重要性

10.2 从技术到商业的思维模式转变

10.1 主题回顾

第10章 从技术到商业的思考

9.4 思考技术在行业应用的方法论

9.3.5 科技企业进入传统行业落地AI技术

9.3.4 人工智能应用

9.3.3 IT软件和云计算应用

9.3.2 区块链应用

9.3.1 互联网应用

9.3 医疗行业的技术应用分析

9.2.2 互联网医疗平台与商业保险的合作模式

9.2.1 多种医药流通业态逐渐融合

9.2 互联网医疗平台

9.1 谋划行业中的技术应用

第9章 医疗行业的技术布局和应用思考

8.4 从商业本质来制定战略

8.3.3 如何设计发币

8.3.2 为何币会值钱

8.3.1 为什么要发币

8.3 “币圈”应用思想的精要

8.2.4 “链圈”应用的总结

8.2.3 区块链技术应用的三个阻碍

8.2.2 区块链技术应用的案例

8.2.1 “链圈”应用的内在逻辑

8.2 用抽象逻辑梳理应用场景

8.1.6 如何解决记账的动力

8.1.5 如何实现分布式存储的数据同步

8.1.4 如何保证账本的安全性

8.1.3 如何保证账本的真实性

8.1.2 如何记账

8.1.1 货币的本质是什么

8.1 从创造者的视角理解技术

第8章 认知新技术：区块链

第三部分 商业与战略

7.3.4 应用MDP和Q-learning算法的案例

7.3.3 技术实现

7.3.2 技术应用两大方向

7.3.1 技术流派与实现方案

7.3 对话机器人的产业分析与技术方案

7.2.2 领域知识的挖掘

7.2.1 基于领域知识优化人机交互策略

7.2 基于知识的人机交互

7.1.4 知识图谱的应用场景

7.1.3 什么是知识图谱

7.1.2 人工智能技术的发展历程

7.1.1 两类信息

7.1 知识图谱技术

第7章 知识图谱和对话机器人

6.5 小结

6.4.2 计算机视觉在传统行业的应用

6.4.1 计算机视觉在互联网行业的应用

6.4 计算机视觉应用的产业分析

6.3.3 其他计算机视觉领域常见任务

6.3.2 如何识别和理解图像中的实体信息

6.3.1 如何在海量数据中寻找匹配的图像

6.3 视觉产品的构建案例

6.2.3 实现高速计算的方法：特征降维

6.2.2 CNN模型与特征

6.2.1 SIFT特征

6.2 图像的特征表示

6.1 计算机视觉产品的问题背景

第6章 计算机视觉及其应用产品的构建

5.4 小结

5.3.3 种子集合筛选算法

5.3.2 竞争传播模型

5.3.1 颠覆创新的思考

5.3 基于竞争传播的颠覆创新

5.2.3 问题3：如何设置优惠定价模型

5.2.2 问题2：如何为店铺制定广告消费任务

5.2.1 问题1：如何选择促销时机

5.2 传统的促销方案

5.1.2 广告定价机制

5.1.1 互联网的盈利模式

5.1 业务背景

第5章 电商平台促销策略模型

第二部分 应用与方法

4.5 小结

4.4.2 模型目标的评估

4.4.1 业务目标的评估

4.4 模型评估

4.3.2 训练样本的常见问题及其解决方案

4.3.1 训练样本的基本概念

4.3 样本处理

4.2.6 特征降维和选择

4.2.5 特征存在缺失或错误值时怎么办

4.2.4 特征的类型和维度

4.2.3 特征工程案例

4.2.2 信息可以存储在特征中，也可以存储在模型中

4.2.1 特征工程的定义

4.2 特征工程

4.1.2 案例：两个不同的排序模型

4.1.1 如何做好业务建模

4.1 业务建模

第4章 机器学习的建模实践

3.4.7 深度学习的重要衍生功能

3.4.6 深度学习得到发展的前提及其具备的优势

3.4.5 神经网络结构的选择

3.4.4 非线性变换函数的选择

3.4.3 神经网络模型的优化

3.4.2 组建神经网络

3.4.1 神经网络和深度学习的模型思路

3.4 神经网络与深度学习

3.3.6 小结

3.3.5 切分方式

3.3.4 提升方式

3.3.3 装袋方式

3.3.2 实现组合模型的两个步骤和方法

3.3.1 组合模型的两个好处

3.3 多模型组合的方法

3.2.2 核函数的思路

3.2.1 正则化的另一种理解与SVM模型

3.2 核函数方法

3.1.2 怎样扩展假设空间

3.1.1 线性模型的不足

3.1 从线性函数到非线性函数

第3章 从线性函数到非线性函数，如何构建强大的模型

2.2.3 小结与回顾

2.2.2 过拟合的成因和防控

2.2.1 重要权衡的四张“面孔”

2.2 重要权衡与过拟合

2.1.5 小结与回顾

2.1.4 不同的寻解

2.1.3 不同的目标

2.1.2 新的需求场景

2.1.1 牛顿第二定律的遗留问题

2.1 机器为何能学习（续）：故事结束了吗？我们需要更多的模型吗

第2章 机器学习框架的深入探讨

1.3.4 人工智能技术团队的建设

1.3.3 企业如何搭上人工智能的战车

1.3.2 企业为何要搭上人工智能的战车

1.3.1 大数据的概念及价值

1.3 跨上人工智能的战车

1.2.4 小结

1.2.3 大数据对机器学习的意义

1.2.2 如何在机器学习场景中应用大数定律

1.2.1 机器学习的框架：假设+目标+寻解

1.2 机器是怎样学习的

1.1.3 统计学习是否可信

1.1.2 从个案学习到统计学习

1.1.1 人类为何能学习

1.1 机器为何能学习

第1章 机器学习与大数据

第一部分 原理与思考

献词

前言

本书特色

版权信息

封面

封面

版权信息

本书特色

前言

献词

第一部分 原理与思考

第1章 机器学习与大数据

1.1 机器为何能学习

1.1.1 人类为何能学习

1.1.2 从个案学习到统计学习

1.1.3 统计学习是否可信

1.2 机器是怎样学习的

1.2.1 机器学习的框架：假设+目标+寻解

1.2.2 如何在机器学习场景中应用大数定律

1.2.3 大数据对机器学习的意义

1.2.4 小结

1.3 跨上人工智能的战车

1.3.1 大数据的概念及价值

1.3.2 企业为何要搭上人工智能的战车

1.3.3 企业如何搭上人工智能的战车

1.3.4 人工智能技术团队的建设

第2章 机器学习框架的深入探讨

2.1 机器为何能学习（续）：故事结束了吗？我们需要更多的模型吗

2.1.1 牛顿第二定律的遗留问题

2.1.2 新的需求场景

2.1.3 不同的目标

2.1.4 不同的寻解

2.1.5 小结与回顾

2.2 重要权衡与过拟合

2.2.1 重要权衡的四张“面孔”

2.2.2 过拟合的成因和防控

2.2.3 小结与回顾

第3章 从线性函数到非线性函数，如何构建强大的模型

3.1 从线性函数到非线性函数

3.1.1 线性模型的不足

3.1.2 怎样扩展假设空间

3.2 核函数方法

3.2.1 正则化的另一种理解与SVM模型

3.2.2 核函数的思路

3.3 多模型组合的方法

3.3.1 组合模型的两个好处

3.3.2 实现组合模型的两个步骤和方法

3.3.3 装袋方式

3.3.4 提升方式

3.3.5 切分方式

3.3.6 小结

3.4 神经网络与深度学习

3.4.1 神经网络和深度学习的模型思路

3.4.2 组建神经网络

3.4.3 神经网络模型的优化

3.4.4 非线性变换函数的选择

3.4.5 神经网络结构的选择

3.4.6 深度学习得到发展的前提及其具备的优势

3.4.7 深度学习的重要衍生功能

第4章 机器学习的建模实践

4.1 业务建模

4.1.1 如何做好业务建模

4.1.2 案例：两个不同的排序模型

4.2 特征工程

4.2.1 特征工程的定义

4.2.2 信息可以存储在特征中，也可以存储在模型中

4.2.3 特征工程案例

4.2.4 特征的类型和维度

4.2.5 特征存在缺失或错误值时怎么办

4.2.6 特征降维和选择

4.3 样本处理

4.3.1 训练样本的基本概念

4.3.2 训练样本的常见问题及其解决方案

4.4 模型评估

4.4.1 业务目标的评估

4.4.2 模型目标的评估

4.5 小结

第二部分 应用与方法

第5章 电商平台促销策略模型

5.1 业务背景

5.1.1 互联网的盈利模式

5.1.2 广告定价机制

5.2 传统的促销方案

5.2.1 问题1：如何选择促销时机

5.2.2 问题2：如何为店铺制定广告消费任务

5.2.3 问题3：如何设置优惠定价模型

5.3 基于竞争传播的颠覆创新

5.3.1 颠覆创新的思考

5.3.2 竞争传播模型

5.3.3 种子集合筛选算法

5.4 小结

第6章 计算机视觉及其应用产品的构建

6.1 计算机视觉产品的问题背景

6.2 图像的特征表示

6.2.1 SIFT特征

6.2.2 CNN模型与特征

6.2.3 实现高速计算的方法：特征降维

6.3 视觉产品的构建案例

6.3.1 如何在海量数据中寻找匹配的图像

6.3.2 如何识别和理解图像中的实体信息

6.3.3 其他计算机视觉领域常见任务

6.4 计算机视觉应用的产业分析

6.4.1 计算机视觉在互联网行业的应用

6.4.2 计算机视觉在传统行业的应用

6.5 小结

第7章 知识图谱和对话机器人

7.1 知识图谱技术

7.1.1 两类信息

7.1.2 人工智能技术的发展历程

7.1.3 什么是知识图谱

7.1.4 知识图谱的应用场景

7.2 基于知识的人机交互

7.2.1 基于领域知识优化人机交互策略

7.2.2 领域知识的挖掘

7.3 对话机器人的产业分析与技术方案

7.3.1 技术流派与实现方案

7.3.2 技术应用两大方向

7.3.3 技术实现

7.3.4 应用MDP和Q-learning算法的案例

第三部分 商业与战略

第8章 认知新技术：区块链

8.1 从创造者的视角理解技术

8.1.1 货币的本质是什么

8.1.2 如何记账

8.1.3 如何保证账本的真实性

8.1.4 如何保证账本的安全性

8.1.5 如何实现分布式存储的数据同步

8.1.6 如何解决记账的动力

8.2 用抽象逻辑梳理应用场景

8.2.1 “链圈”应用的内在逻辑

8.2.2 区块链技术应用的案例

8.2.3 区块链技术应用的三个阻碍

8.2.4 “链圈”应用的总结

8.3 “币圈”应用思想的精要

8.3.1 为什么要发币

8.3.2 为何币会值钱

8.3.3 如何设计发币

8.4 从商业本质来制定战略

第9章 医疗行业的技术布局和应用思考

9.1 谋划行业中的技术应用

9.2 互联网医疗平台

9.2.1 多种医药流通业态逐渐融合

9.2.2 互联网医疗平台与商业保险的合作模式

9.3 医疗行业的技术应用分析

9.3.1 互联网应用

9.3.2 区块链应用

9.3.3 IT软件和云计算应用

9.3.4 人工智能应用

9.3.5 科技企业进入传统行业落地AI技术

9.4 思考技术在行业应用的方法论

第10章 从技术到商业的思考

10.1 主题回顾

10.2 从技术到商业的思维模式转变

10.2.1 战略壁垒的重要性

10.2.2 常见的战略壁垒

10.3 新型壁垒：平台模式的解析

10.3.1 平台模式的典型案例：Steam游戏平台

10.3.2 互联网企业以整合C端平台供应链的模式切入B端服务市场

10.3.3 互联网企业赋能生态伙伴的方法论

10.4 技术投资与采购的方法论

10.4.1 层面1：梳理业务所需的技术全景

10.4.2 层面2：梳理具体技术方向的内部逻辑

10.4.3 层面3：分析具备能力的候选企业

10.4.4 案例：短视频C端赛道的业务

10.5 人工智能的产业展望

10.5.1 人工智能未来的发展

10.5.2 人工智能应用的方法论

10.5.3 人工智能的企业市场分析

10.6 企业的组织能力：《创新者的窘境》中的理论

10.7 人工智能应用领域的职业前景

第四部分 工具与实践

第11章 实践课

11.1 实践课1：基于深度学习框架飞桨完成房价预测任务

11.1.1 深度学习框架

11.1.2 飞桨产业级深度学习开源开放平台

11.1.3 使用飞桨构建波士顿房价预测模型

11.2 实践课2：手写数字识别

11.3 实践课3：词向量和语义相似度

11.4 实践课4：毕业设计

11.4.1 毕业设计作业

11.4.2 往届学员优秀作品展示

作者简介