大话机器学习：原理|算法|建模|代码30讲

30.2 产品化的数智平台

30.1 数据智能包含哪些内容

第30讲 数据智能平台

29.3 代码详述

29.2 算法详述

29.1 问题描述

第29讲 产品的价格设定（强化学习）

28.3 代码详述

28.2 算法详述

28.1 问题描述

第28讲 用户忠诚度变化轨迹预测（隐马尔可夫模型）

27.3 代码详述

27.2 算法详述

27.1 问题描述

第27讲 信用卡申请评分卡模型（WOE/IV逻辑回归）

26.3 代码详述

26.2 算法详述

26.1 问题描述

第26讲 两个特殊硬币的投掷概率（期望最大化方法）

25.3 代码详述

25.2 算法详述

25.1 问题描述

第25讲 客户流失预测（高斯贝叶斯分类）

24.3 代码详述

24.2 算法详述

24.1 问题描述

第24讲 垃圾邮件判断（朴素贝叶斯分类）

第3部分 机器学习实例展示

23.3 人工智能的小数据、大任务范式

23.2 第三代人工智能的发展方向(4)

23.1 当前对人工智能技术本质的认识

第23讲 机器学习和人工智能展望

22.5 本讲小结

22.4 交叉验证

22.3 模型的选择要素——偏差和方差

22.2 回归模型中的效果衡量方法

22.1 分类问题的模型效果衡量方法

第22讲 模型效果的衡量方法

21.5 本讲小结

21.4 常用损失函数

21.3 正则化的本质

21.2 经验风险、期望风险和结构风险

21.1 损失函数、代价函数和目标函数

第21讲 代价函数

20.3 常用激活函数介绍

20.2 激活函数的要求

20.1 激活函数的作用

第20讲 激活函数

19.3 推荐效果评测指标和维度

19.2 推荐采用的方法

19.1 推荐的作用

第19讲 基于机器学习的推荐技术

18.5 神经网络的实质——通用逼近定理

18.4 神经网络的突破——深度学习

18.3 神经网络的崛起——反向传播神经网络

18.2 神经网络的开端

18.1 神经网络的起源

第18讲 机器学习模型——人工神经网络

17.4 蚁群算法

17.3 遗传算法

17.2 模拟退火算法

17.1 概述

第17讲 探索式学习

16.4 共性问题

16.3 汤普森采样

16.2 置信区间上界算法

16.1 ε贪婪算法

第16讲 机器学习模型——强化学习

15.3 两个典型的概率图模型

15.2 概率图模型族谱及特征

15.1 概述

第15讲 机器学习模型——概率图模型

14.2 梯度提升决策树

14.1 逻辑回归

第14讲 机器学习模型——逻辑回归和梯度提升决策树

13.4 本讲小结

13.3 特征的提取和构造

13.2 特征的选择

13.1 为什么要进行特征的选择、提取和构造

第13讲 特征的选择、提取和构造

12.4 本讲小结

12.3 离散型特征处理

12.2 连续变量离散化

12.1 特征标准化

第12讲 特征数据的预处理

11.6 本讲小结

11.5 异常检测的方法

11.4 异常检测的应用领域

11.3 异常的种类

11.2 异常检测面临的挑战

11.1 什么是异常值

第11讲 异常检测和处理

10.3 本讲小结

10.2 数据的探索性分析

10.1 厘清数据来源

第10讲 数据准备

9.4 本讲小结

9.3 模型和算法

9.2 建模分析的一般步骤

9.1 总体方法论

第9讲 机器学习的方法论

第2部分 机器学习模型、方法及本质

8.6 本讲小结

8.5 最大熵模型

8.4 期望最大化方法

8.3 最大后验概率

8.2 最大似然估计

8.1 最小二乘估计

第8讲 经典最优化问题求解方法

7.5 本讲小结

7.4 Adam（Adaptive Moment Estimation）方法

7.3 牛顿法及其改进算法

7.2 梯度下降法

7.1 迭代求解

第7讲 抬头看路低头拉车的迭代方法

6.7 本讲小结

6.6 上采样-人工合成数据策略

6.5 汤普森采样

6.4 吉布斯采样

6.3 Metropolis-Hastings采样

6.2 马尔可夫链蒙特卡罗采样

6.1 拒绝采样

第6讲 采样方法

5.7 本讲小结

5.6 傅里叶变换

5.5 PCA、SVD和AE是亲戚

5.4 自编码器

5.3 奇异值分解

5.2 线性判别分析

5.1 主成分分析

第5讲 抓住主要矛盾——降维技术理论

4.4 本讲小结

4.3 证据权重和信息值

4.2 类别型变量之间的相关性

4.1 数值型变量之间的相关性

第4讲 随机变量的相关性和重要性

3.7 本讲小结

3.6 基尼指数（不纯度）

3.5 交叉熵

3.4 相对熵

3.3 信息增益

3.2 信息熵

3.1 自信息

第3讲 信息的数学表达

2.8 本讲小结

2.7 以上分布的总结和联系

2.6 幂律分布

2.5 指数分布

2.4 泊松分布

2.3 伯努利分布及二项分布

2.2 混合高斯分布

2.1 正态分布

第2讲 数据的形态描述

1.4 本讲小结

1.3 条件概率、联合概率以及贝叶斯公式

1.2 概率函数、概率分布函数和概率密度函数

1.1 概率、几率及期望

第1讲 这个不确定的世界如何描述

第1部分 机器学习的数学理论理解

前言

作者简介

内容简介

版权信息

封面

封面

版权信息

内容简介

作者简介

前言

第1部分 机器学习的数学理论理解

第1讲 这个不确定的世界如何描述

1.1 概率、几率及期望

1.2 概率函数、概率分布函数和概率密度函数

1.3 条件概率、联合概率以及贝叶斯公式

1.4 本讲小结

第2讲 数据的形态描述

2.1 正态分布

2.2 混合高斯分布

2.3 伯努利分布及二项分布

2.4 泊松分布

2.5 指数分布

2.6 幂律分布

2.7 以上分布的总结和联系

2.8 本讲小结

第3讲 信息的数学表达

3.1 自信息

3.2 信息熵

3.3 信息增益

3.4 相对熵

3.5 交叉熵

3.6 基尼指数（不纯度）

3.7 本讲小结

第4讲 随机变量的相关性和重要性

4.1 数值型变量之间的相关性

4.2 类别型变量之间的相关性

4.3 证据权重和信息值

4.4 本讲小结

第5讲 抓住主要矛盾——降维技术理论

5.1 主成分分析

5.2 线性判别分析

5.3 奇异值分解

5.4 自编码器

5.5 PCA、SVD和AE是亲戚

5.6 傅里叶变换

5.7 本讲小结

第6讲 采样方法

6.1 拒绝采样

6.2 马尔可夫链蒙特卡罗采样

6.3 Metropolis-Hastings采样

6.4 吉布斯采样

6.5 汤普森采样

6.6 上采样-人工合成数据策略

6.7 本讲小结

第7讲 抬头看路低头拉车的迭代方法

7.1 迭代求解

7.2 梯度下降法

7.3 牛顿法及其改进算法

7.4 Adam（Adaptive Moment Estimation）方法

7.5 本讲小结

第8讲 经典最优化问题求解方法

8.1 最小二乘估计

8.2 最大似然估计

8.3 最大后验概率

8.4 期望最大化方法

8.5 最大熵模型

8.6 本讲小结

第2部分 机器学习模型、方法及本质

第9讲 机器学习的方法论

9.1 总体方法论

9.2 建模分析的一般步骤

9.3 模型和算法

9.4 本讲小结

第10讲 数据准备

10.1 厘清数据来源

10.2 数据的探索性分析

10.3 本讲小结

第11讲 异常检测和处理

11.1 什么是异常值

11.2 异常检测面临的挑战

11.3 异常的种类

11.4 异常检测的应用领域

11.5 异常检测的方法

11.6 本讲小结

第12讲 特征数据的预处理

12.1 特征标准化

12.2 连续变量离散化

12.3 离散型特征处理

12.4 本讲小结

第13讲 特征的选择、提取和构造

13.1 为什么要进行特征的选择、提取和构造

13.2 特征的选择

13.3 特征的提取和构造

13.4 本讲小结

第14讲 机器学习模型——逻辑回归和梯度提升决策树

14.1 逻辑回归

14.2 梯度提升决策树

第15讲 机器学习模型——概率图模型

15.1 概述

15.2 概率图模型族谱及特征

15.3 两个典型的概率图模型

第16讲 机器学习模型——强化学习

16.1 ε贪婪算法

16.2 置信区间上界算法

16.3 汤普森采样

16.4 共性问题

第17讲 探索式学习

17.1 概述

17.2 模拟退火算法

17.3 遗传算法

17.4 蚁群算法

第18讲 机器学习模型——人工神经网络

18.1 神经网络的起源

18.2 神经网络的开端

18.3 神经网络的崛起——反向传播神经网络

18.4 神经网络的突破——深度学习

18.5 神经网络的实质——通用逼近定理

第19讲 基于机器学习的推荐技术

19.1 推荐的作用

19.2 推荐采用的方法

19.3 推荐效果评测指标和维度

第20讲 激活函数

20.1 激活函数的作用

20.2 激活函数的要求

20.3 常用激活函数介绍

第21讲 代价函数

21.1 损失函数、代价函数和目标函数

21.2 经验风险、期望风险和结构风险

21.3 正则化的本质

21.4 常用损失函数

21.5 本讲小结

第22讲 模型效果的衡量方法

22.1 分类问题的模型效果衡量方法

22.2 回归模型中的效果衡量方法

22.3 模型的选择要素——偏差和方差

22.4 交叉验证

22.5 本讲小结

第23讲 机器学习和人工智能展望

23.1 当前对人工智能技术本质的认识

23.2 第三代人工智能的发展方向(4)

23.3 人工智能的小数据、大任务范式

第3部分 机器学习实例展示

第24讲 垃圾邮件判断（朴素贝叶斯分类）

24.1 问题描述

24.2 算法详述

24.3 代码详述

第25讲 客户流失预测（高斯贝叶斯分类）

25.1 问题描述

25.2 算法详述

25.3 代码详述

第26讲 两个特殊硬币的投掷概率（期望最大化方法）

26.1 问题描述

26.2 算法详述

26.3 代码详述

第27讲 信用卡申请评分卡模型（WOE/IV逻辑回归）

27.1 问题描述

27.2 算法详述

27.3 代码详述

第28讲 用户忠诚度变化轨迹预测（隐马尔可夫模型）

28.1 问题描述

28.2 算法详述

28.3 代码详述

第29讲 产品的价格设定（强化学习）

29.1 问题描述

29.2 算法详述

29.3 代码详述

第30讲 数据智能平台

30.1 数据智能包含哪些内容

30.2 产品化的数智平台