智能Web算法-(第2版)( 货号:712131723) 下载 pdf 百度网盘 epub 免费 2025 电子书 mobi 在线

基本信息

商品名称： 智能Web算法-(第2版)

出版社： 电子工业出版社

出版时间：2017-07-01

作者：道格拉斯.G.麦基尔雷思

译者：陈运文

开本： 32开

定价： 69.00

页数：

印次： 1

ISBN号：9787121317231

商品类型：图书

版次： 1 内容提要

机器学习一直是人工智能研究领域的重要方向，而在大数据时代，来自Web的数据采集、挖掘、

应用技术又越来越受到瞩目，并创造着巨大的价值。本书是有关Web数据挖掘和机器学习技术的

一本知名的著作，第2版进一步加入了本领域Z新的研究内容和应用案例，介绍了统计学、结构

建模、推荐系统、数据分类、点击预测、深度学习、效果评估、数据采集等众多方面的内容。本

书内容翔实、案例生动，有很高的阅读价值。

本书适合对算法感兴趣的工程师与学生阅读，对希望从业务角度更好地理解机器学习技术的

产品经理和管理层来说，亦有很好的参考价值。

目录

第1章 为智能Web建立应用1

1.1 智能算法的实践运用：Google Now 3

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B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 并不存在的方法 18

1.7.6 数据并不是的 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B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Z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 Z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 Net.ix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bidder 115

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 受限玻耳兹曼机 160

6.5.2 伯努利受限玻耳兹曼机 160

6.5.3 受限玻耳兹曼机实战 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

作者简介

Douglas McIlwraith博士，在剑桥大学计算机科学系获得了学士学位，而后在帝G理工大学获得了博士学位。他是一位机器学习专家，目前他在位于伦敦的一家广告网络公司担任数据科学家职位。他在分布式系统、普适计算、通用感知、机器人以及安全监控方面都贡献了研究成果，他为让技术更好地服务人们的生活而无比激动。Haralambos Marmanis博士是将机器学习技术引入工业解决方案的先驱，在专业软件研发方面拥有 25年经验。

Dmitry Babenko，为银行、保险、供应链管理、商业智能企业等设计和开发了丰富的应用和系统架构。他拥有白俄罗斯G立信息和无线电大学计算机硕士学位。

陈运文，计算机博士，达观数据 CEO，ACM和 IEEE会员，中G计算机学会高J会员；在大数据架构设计、搜索和推荐引擎、文本数据挖掘等领域有丰富的研发经验；曾经担任盛大文学首席数据官、腾讯文学数据中心高J总监、百度核心算法工程师等工作，申请有 30余项G家发明专利，多次参加G际 ACM数据算法竞赛并获得冠亚军荣誉。

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：智能Web算法-(第2版)( 货号:712131723)在线阅读

在线听书地址：智能Web算法-(第2版)( 货号:712131723)在线收听

在线购买地址：智能Web算法-(第2版)( 货号:712131723)在线购买

the similarity matrix is symmetrical. This simply means that if user A is similarity to user B with a similarity value X then user B will be similar to user A with a similarity value equal to X.

Bell and Keorren are leading the Netflix prize competitioin (at the time of this writing), and their assessment was the following: "we found no perfect models. Instead, our best results came from combining predictions of models that complemented each other."

推荐引擎的核心功能在于计算任意两个用户或两个条目之间的相似程度。

智能Web应用所必须的基本元素：

内容集合（数据），与具体应用有关的大量数据；

参考架构（结构化和语义化），为内容提供了结构化，语义化的解释；

算法：对数据中的结构化和语义化的内容进行分析；

Mashup是一种激动人心的交互式Web应用，它从外部数据源获取内容，然后创建出全新的富有创意的服务。

如何构建智能Web应用：

1. 审查应用的功能：分析user case和实际的商业价值

2. 了解你需要和拥有的数据

爬虫Crawler也被成为spider，是用于从互联网上获取公开内容的程序，爬虫通常会访问一份URL列表，然后跟踪其中的每个链接，这个过程会不断的重复，重复的次数被成为爬虫深度。

AI的目标是极具野心的，试图开发出像人类一样思考的机器。机器学习，数据挖掘，软计算都是其中最基础的一些探索。

机器学习是指软件系统能从已有的经验中抽象出普遍的规则，然后利用这些规则回答各种问题，包括曾经遇到过的或者没有遇到过的问题。

智能Web应用需要考虑的8个误区：

1. 数据不可靠

2. 计算需要时间，应用需要快速的反馈时间

3. 考虑数据的规模，大数据带来数据处理的效率和准确率的问题

4. 不是所有算法都可以扩展

5. 解决方案往往不是万能的

6. 算法的参数对执行时间和效率有很大的影响

7. 不是复杂的模型就是最好，KISS：Keep It simple, stupid尤其是最好的选择

8. 选择模型用于训练算法的时候我们都会引入偏见

编辑推荐

编辑推荐

《智能Web算法（第2版）》深入讲解了如何建立机器学习系统来对采集的用户、Web应用、网站日志等数据进行深入分析和挖掘。经过这一版全面的修订，读者可以看到智能算法是怎样从数据中抽取出真实有价值的信息的，核心的机器学习概念也通过scikit-learn的Python代码示例进行了讲解。《智能Web算法（第2版）》指导读者对来自Web的源源不断的数据流进行采集、存储、建模，并掌握开发推荐引擎、统计分类算法、神经网络和深度学习等技术。

书籍介绍

机器学习一直是人工智能研究领域的重要方向，而在大数据时代，来自Web 的数据采集、挖掘、应用技术又越来越受到瞩目，并创造着巨大的价值。本书是有关Web数据挖掘和机器学习技术的一本知名的著作，第2 版进一步加入了本领域最新的研究内容和应用案例，介绍了统计学、结构建模、推荐系统、数据分类、点击预测、深度学习、效果评估、数据采集等众多方面的内容。《智能Web算法（第2版）》内容翔实、案例生动，有很高的阅读价值。

《智能Web算法（第2版）》适合对算法感兴趣的工程师与学生阅读，对希望从业务角度更好地理解机器学习技术的产品经理和管理层来说，亦有很好的参考价值。