美团机器学习实践/美团技术丛书
全新正版 极速发货
￥ 49.43 6.3折 ￥ 79 全新
库存4件
广东广州
认证卖家担保交易快速发货售后保障
作者美团算法团队
出版社人民邮电出版社
ISBN9787115484635
出版时间2018-08
装帧其他
开本16开
定价79元
货号1201737316
上书时间2024-06-02
商品详情
- 品相描述：全新
- 商品描述
-
目录
第一部分 通用流程
第1章 问题建模
1.1 评估指标
1.1.1 分类指标
1.1.2 回归指标
1.1.3 排序指标
1.2 样本选择
1.2.1 数据去噪
1.2.2 采样
1.2.3 原型选择和训练集选择
1.3 交叉验证
1.3.1 留出法
1.3.2 K折交叉验证
1.3.3 自助法
参考文献
第2章 特征工程
2.1 特征提取
2.1.1 探索性数据分析
2.1.2 数值特征
2.1.3 类别特征
2.1.4 时间特征
2.1.5 空间特征
2.1.6 文本特征
2.2 特征选择
2.2.1 过滤方法
2.2.2 封装方法
2.2.3 嵌入方法
2.2.4 小结
2.2.5 工具介绍
参考文献
第3章 常用模型
3.1 逻辑回归
3.1.1 逻辑回归原理
3.1.2 逻辑回归应用
3.2 场感知因子分解机
3.2.1 因子分解机原理
3.2.2 场感知因子分解机原理
3.2.3 场感知因子分解机的应用
3.3 梯度提升树
3.3.1 梯度提升树原理
3.3.2 梯度提升树的应用
参考文献
第4章 模型融合
4.1 理论分析
4.1.1 融合收益
4.1.2 模型误差-分歧分解
4.1.3 模型多样性度量
4.1.4 多样性增强
4.2 融合方法
4.2.1 平均法
内容摘要
人工智能技术正以一种前所未有的速度深刻地改变着我们的生活，引导了第四次工业革命。美团作为国内O2O领域领先的服务平台，结合自身的业务场景和数据，积极进行了人工智能领域的应用探索。在美团的搜索、推荐、计算广告、风控、图像处理等领域
，相关的人工智能技术得到广泛的应用。美团算法团队著的《美团机器学习实践》包括通用流程、数据挖掘、搜索和推荐、计算广告、深度学习以及算法工程6大部分内容，全面介绍了美团在多个重要方面对机器学习的应用。
本书非常适合有一定机器学习基础的工程技术人员和在校大学生学习和阅读。通过本书，有经验的算法工程师可以了解美团在这方面的做法，在校大学生
可以学习机器学习算法如何在具体的业务场景中落地。
精彩内容
在机器学习应用中，特征工程扮演着重要的角色，可以说特征工程是机器学习应用的基础。在机器学习界流传着这样一句话：“数据和特征决定了机器学习算法的上限，而模型和算法只是不断逼近这个上限而已。”在机器学习应用中，特征工程介于“数据”和“模型”之间，特征工程是使用数据的专业领域知识创建能够使机器学习算法工作的特征的过程。美国计算机科学家PeterNorvig有两句经典名言“基于大量数据的简单模型胜于基于少量数据的复杂模型。”以及“更多的数据胜于聪明的算法，而好的数据胜于多的数据。”因此，特征工程的前提便是收集足够多的数据，其次则是从大量数据中提取关键信息并表示为模型所需要的形式。合适的特征可以让模型预测更加容易，机器学习应用更有可能成功。
纵观Kaggle、KDD等国内外大大小小的比赛以及工业界的应用，它们其实并没有用到很复杂的模型和算法，大多数成功都是在特征工程这个环节做了出色的工作。吴恩达曾说过：“特征工程不仅操作困难、
耗时，而且需要专业领域知识。应用机器学习基本上就是特征工程。”相信大多数人都会同意。在机器学习应用中，我们大多数时间都在进行特征工程和数据清洗，而算法和模型的优化仅仅占了一小部分。遗憾的是，目前大多数书籍中并没有提到特征工程，对于特征工程的介绍更多则是特征选择的方法。这是因为，好的特征工程不仅需要我们对模型和算法有深入的理解，更需要较强的专业领域知识。特征工程不仅跟
模型相关，而且跟实际问题是强相关的。针对不同问题，特征工程所用的方法可能相差很大，很难总结出一套比较通用的方法。尽管如此，但仍然有很多特征
工程的技巧在不同问题中都适用。在本章，我们将介绍特征工程中通用的方法和技巧，以及常用特征选择方法。
2.1特征提取从数学的角度讲，特征工程就是将原始数据空间变换到新的特征空间，或者说是换一种数据的表达方式，在新的特征空间中，模型能够更好地学习数据中的规律。因此，特征抽取就是对原始数据进行变换的过程。大多数模型和算法都要求输入是维度相同的实向量，因此特征工程首先需要将原始数据转化为实向量。原始数据有很多类型，比如数值类型、离散类型，还有文本、图像以及视频等。将原始数据转化为实向量后，对应的特征空间并不一定是最佳的特征空间。为了让模型更好地学习到数据中隐藏的规律，我们可能还需要对特征做进一步的变换。将原始数据空间变换为模型输入向量空间的过程便是特征工程所要做的事情。事实上，如果特征工程足够复杂，即使是最
简单的模型，也能表现出非常好的效果。然而，复杂
的模型在一定程度上减少了特征工程需要做的工作。
因此，特征工程和模型二者此消彼长。例如，对于线性模型，我们需要将类别变量进行独热编码等处理，
— 没有更多了 —
以下为对购买帮助不大的评价