智能WEB算法 第2版2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

智能WEB算法 第2版PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 为智能Web建立应用1

1.1 智能算法的实践运用：Google Now3

1.2 智能算法的生命周期5

1.3 智能算法的更多示例6

1.4 不属于智能应用的内容7

1.4.1 智能算法并不是万能的思考机器7

1.4.2 智能算法并不能成为完全代替人类的工具8

1.4.3 智能算法的发展并非一蹴而就8

1.5 智能算法的类别体系9

1.5.1 人工智能9

1.5.2 机器学习10

1.5.3 预测分析11

1.6 评估智能算法的效果13

1.6.1 评估智能化的程度13

1.6.2 评估预测14

1.7 智能算法的重点归纳16

1.7.1 你的数据未必可靠16

1.7.2 计算难以瞬间完成17

1.7.3 数据规模非常重要17

1.7.4 不同的算法具有不同的扩展能力18

1.7.5 并不存在万能的方法18

1.7.6 数据并不是万能的18

1.7.7 模型训练时间差异很大18

1.7.8 泛化能力是目标19

1.7.9 人类的直觉未必准确19

1.7.10 要考虑融入更多新特征19

1.7.11 要学习各种不同的模型19

1.7.12 相关关系不等同于因果关系20

1.8 本章小结20

第2章 从数据中提取结构：聚类和数据变换21

2.1 数据、结构、偏见和噪声23

2.2 维度诅咒26

2.3 k-means算法27

2.3.1 实践运用k-means31

2.4 高斯混合模型34

2.4.1 什么是高斯分布34

2.4.2 期望最大与高斯分布37

2.4.3 高斯混合模型37

2.4.4 高斯混合模型的学习实例38

2.5 k-means和GMM的关系41

2.6 数据坐标轴的变换42

2.6.1 特征向量和特征值43

2.6.2 主成分分析43

2.6.3 主成分分析的示例45

2.7 本章小结47

第3章 推荐系统的相关内容48

3.1 场景设置：在线电影商店49

3.2 距离和相似度50

3.2.1 距离和相似度的剖析54

3.2.2 最好的相似度公式是什么56

3.3 推荐引擎是如何工作的57

3.4 基于用户的协同过滤59

3.5 奇异值分解用于基于模型的推荐64

3.5.1 奇异值分解64

3.5.2 使用奇异值分解进行推荐：为用户挑选电影66

3.5.3 使用奇异值分解进行推荐：帮电影找到用户71

3.6 Netflix竞赛74

3.7 评估推荐系统76

3.8 本章小结78

第4章 分类：将物品归类到所属的地方79

4.1 对分类的需求80

4.2 分类算法概览83

4.2.1 结构性分类算法84

4.2.2 统计性分类算法86

4.2.3 分类器的生命周期87

4.3 基于逻辑回归的欺诈检测88

4.3.1 线性回归简介89

4.3.2 从线性回归到逻辑回归91

4.3.3 欺诈检测的应用94

4.4 你的结果可信吗102

4.5 大型数据集的分类技术106

4.6 本章小结108

第5章 在线广告点击预测109

5.1 历史与背景110

5.2 广告交易平台112

5.2.1 cookie匹配113

5.2.2 竞价（bid）113

5.2.3 竞价成功（或失败）的通知114

5.2.4 广告展示位114

5.2.5 广告监测115

5.3 什么是bidder115

5.3.1 bidder的需求116

5.4 何为决策引擎117

5.4.1 用户信息117

5.4.2 广告展示位信息117

5.4.3 上下文信息117

5.4.4 数据准备118

5.4.5 决策引擎模型118

5.4.6 将点击率预测值映射为竞价价格118

5.4.7 特征工程119

5.4.8 模型训练119

5.5 使用Vowpal Wabbit进行点击预测120

5.5.1 Vowpal Wabbit的数据格式120

5.5.2 准备数据集123

5.5.3 测试模型128

5.5.4 模型修正131

5.6 构建决策引擎的复杂问题132

5.7 实时预测系统的前景133

5.8 本章小结134

第6章 深度学习和神经网络135

6.1 深度学习的直观方法136

6.2 神经网络137

6.3 感知机139

6.3.1 模型训练141

6.3.2 用scikit-learn训练感知机142

6.3.3 两个输入值的感知机的几何解释144

6.4 多层感知机146

6.4.1 用反向传播训练150

6.4.2 激活函数150

6.4.3 反向传播背后的直观理解152

6.4.4 反向传播理论153

6.4.5 scikit-learn中的多层神经网络155

6.4.6 训练出来的多层感知机158

6.5 更深层：从多层神经网络到深度学习159

6.5.1 受限玻尔兹曼机160

6.5.2 伯努利受限玻尔兹曼机160

6.5.3 受限玻尔兹曼机实战164

6.6 本章小结167

第7章 做出正确的选择168

7.1 A/B测试170

7.1.1 相关的理论170

7.1.2 评估代码173

7.1.3 A/B测试的适用性174

7.2 多臂赌博机175

7.2.1 多臂赌博机策略176

7.3 实践中的贝叶斯赌博机策略180

7.4 A/B测试与贝叶斯赌博机的对比191

7.5 扩展到多臂赌博机192

7.5.1 上下文赌博机193

7.5.2 对抗赌博机193

7.6 本章小结194

第8章 智能Web的未来196

8.1 智能Web的未来应用197

8.1.1 物联网197

8.1.2 家庭健康护理198

8.1.3 自动驾驶汽车198

8.1.4 个性化的线下广告199

8.1.5 语义网199

8.2 智能Web的社会影响200

附录A 抓取网络上的数据201