机器学习的产业实践之路

图书标准信息

• 作者 毕然 飞桨教材编写组 编著
• 出版社 机械工业出版社
• 出版时间 2023-05
• 版次 1
• ISBN 9787111726159
• 定价 149.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 416页
• 字数 565千字

【内容简介】

本书是一本人工智能应用方法论的书，从技术原理、项目实践到商业战略再到实践课，逐层放开视野。
  部分首先围绕“机器为何学习”和“机器怎样学习”展开，树立机器学习的基本观念，认识大数据对机器学习和深度学习的价值，启发对产业应用的思考；然后聚焦机器学习和深度学习的技术原理和实践经验，详述“假设 目标 寻解”的学习框架，探讨模型如何变强，以及建模的实践经验。第二部分以电商促销策略中的模型、计算机视觉技术和视觉搜索，以及知识图谱和对话机器人为案例，展示从业务分析到系统建模的全过程，这是应用技术的项目级实践。第三部分站在行业和商业的视角审视技术，以应用技术为出发点，构建一个成功的商业模式，是应用技术的商业实践。第四部分的实践以数值预测、计算机视觉、自然语言处理领域的经典任务——房价预测、手写数字识别和语义相似度计算为例，结合产业应用案例，便于读者更深刻地体会本书介绍的方法论。
  本书既有对技术原理的思考，也有对商业应用的总结；既有简洁的数学公式，也有有趣的哲学思考。本书不追求讲解机器学习原理的每个细节，而是通过系统化思考让读者轻松掌握机器学习的本质和应用方法论。

【作者简介】

毕然 专注于机器学习、人工智能、数据分析、商业战略等领域，出品过“大数据分析的道与术”“零基础实践深度学习”“机器学习的思考故事”“如何系统化地分析业务和战略”等系列课程，其中前2个课程著有同名书籍，本书为第3个课程的配套书籍。 

【目录】

前言

部分　原理与思考

第1章　机器学习与大数据 2

1.1　机器为何能学习 2

1.1.1　人类为何能学习 2

1.1.2　从个案学习到统计学习 3

1.1.3　统计学习是否可信 5

1.2　机器是怎样学习的 9

1.2.1　机器学习的框架：假设＋目标＋寻解 9

1.2.2　如何在机器学习场景中应用大数定律 14

1.2.3　大数据对机器学习的意义 17

1.2.4　小结 20

1.3　跨上人工智能的战车 20

1.3.1　大数据的概念及价值 20

1.3.2　企业为何要搭上人工智能的战车 24

1.3.3　企业如何搭上人工智能的战车 27

1.3.4　人工智能技术团队的建设 38

第2章　机器学习框架的深入探讨 40

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 40

2.1.1　牛顿第二定律的遗留问题 40

2.1.2　新的需求场景 43

2.1.3　不同的目标 49

2.1.4　不同的寻解 54

2.1.5　小结与回顾 60

2.2　重要权衡与过拟合 62

2.2.1　重要权衡的四张“面孔” 62

2.2.2　过拟合的成因和防控 68

2.2.3　小结与回顾 77

第3章　从线性函数到非线性函数，如何构建强大的模型 78

3.1　从线性函数到非线性函数 78

3.1.1　线性模型的不足 78

3.1.2　怎样扩展假设空间 79

3.2　核函数方法 82

3.2.1　正则化的另一种理解与SVM模型 82

3.2.2　核函数的思路 86

3.3　多模型组合的方法 88

3.3.1　组合模型的两个好处 88

3.3.2　实现组合模型的两个步骤和方法 89

3.3.3　装袋方式 91

3.3.4　提升方式 92

3.3.5　切分方式 93

3.3.6　小结 96

3.4　神经网络与深度学习 97

3.4.1　神经网络和深度学习的模型思路 97

3.4.2　组建神经网络 98

3.4.3　神经网络模型的优化 99

3.4.4　非线性变换函数的选择 102

3.4.5　神经网络结构的选择 104

3.4.6　深度学习得到发展的前提及其具备的优势 107

3.4.7　深度学习的重要衍生功能 111

第4章　机器学习的建模实践 122

4.1　业务建模 122

4.1.1　如何做好业务建模 122

4.1.2　案例：两个不同的排序模型 124

4.2　特征工程 128

4.2.1　特征工程的定义 128

4.2.2　信息可以存储在特征中，也可以存储在模型中 129

4.2.3　特征工程案例 131

4.2.4　特征的类型和维度 135

4.2.5　特征存在缺失或错误值时怎么办 137

4.2.6　特征降维和选择 137

4.3　样本处理 140

4.3.1　训练样本的基本概念 140

4.3.2　训练样本的常见问题及其解决方案 141

4.4　模型评估 151

4.4.1　业务目标的评估 151

4.4.2　模型目标的评估 155

4.5　小结 170

第二部分　应用与方法

第5章　电商平台促销策略模型 174

5.1　业务背景 174

5.1.1　互联网的盈利模式 174

5.1.2　广告定价机制 175

5.2　传统的促销方案 176

5.2.1　问题1：如何选择促销时机 177

5.2.2　问题2：如何为店铺制定广告消费任务 179

5.2.3　问题3：如何设置优惠定价模型 182

5.3　基于竞争传播的颠覆创新 190

5.3.1　颠覆创新的思考 190

5.3.2　竞争传播模型 192

5.3.3　种子集合筛选算法 197

5.4　小结 198

第6章　计算机视觉及其应用产品的构建 199

6.1　计算机视觉产品的问题背景 199

6.2　图像的特征表示  200

6.2.1　SIFT特征 201

6.2.2　CNN模型与特征 205

6.2.3　实现高速计算的方法：特征降维 221

6.3　视觉产品的构建案例 223

6.3.1　如何在海量数据中寻找匹配的图像 223

6.3.2　如何识别和理解图像中的实体信息 223

6.3.3　其他计算机视觉领域常见任务 233

6.4　计算机视觉应用的产业分析 236

6.4.1　计算机视觉在互联网行业的应用 237

6.4.2　计算机视觉在传统行业的应用 243

6.5　小结 245

第7章　知识图谱和对话机器人 248

7.1　知识图谱技术 248

7.1.1　两类信息 248

7.1.2　人工智能技术的发展历程 248

7.1.3　什么是知识图谱 250

7.1.4　知识图谱的应用场景 251

7.2　基于知识的人机交互 253

7.2.1　基于领域知识优化人机交互策略 253

7.2.2　领域知识的挖掘 257

7.3　对话机器人的产业分析与技术方案 266

7.3.1　技术流派与实现方案 266

7.3.2　技术应用两大方向 268

7.3.3　技术实现 276

7.3.4　应用MDP和Q-learning算法的案例 283

第三部分　商业与战略

第8章　认知新技术：区块链 290

8.1　从创造者的视角理解技术 290

8.1.1　货币的本质是什么 292

8.1.2　如何记账 293

8.1.3　如何保证账本的真实性 294

8.1.4　如何保证账本的安全性 294

8.1.5　如何实现分布式存储的数据同步 295

8.1.6　如何解决记账的动力 297

8.2　用抽象逻辑梳理应用场景 298

8.2.1　“链圈”应用的内在逻辑 298

8.2.2　区块链技术应用的案例 299

8.2.3　区块链技术应用的三个阻碍 303

8.2.4　“链圈”应用的总结 306

8.3　“币圈”应用思想的精要 306

8.3.1　为什么要发币 306

8.3.2　为何币会值钱 307

8.3.3　如何设计发币 309

8.4　从商业本质来制定战略 310

第9章　医疗行业的技术布局和应用思考 314

9.1　谋划行业中的技术应用 314

9.2　互联网医疗平台 315

9.2.1　多种医药流通业态逐渐融合 315

9.2.2　互联网医疗平台与商业保险的合作模式 316

9.3　医疗行业的技术应用分析 317

9.3.1　互联网应用 318

9.3.2　区块链应用 321

9.3.3　IT软件和云计算应用 326

9.3.4　人工智能应用 330

9.3.5　科技企业进入传统行业落地AI技术 336

9.4　思考技术在行业应用的方法论 338

第10章　从技术到商业的思考 340

10.1　主题回顾 340

10.2　从技术到商业的思维模式转变 341

10.2.1　战略壁垒的重要性 341

10.2.2　常见的战略壁垒 342

10.3　新型壁垒：平台模式的解析 346

10.3.1　平台模式的典型案例：Steam游戏平台 346

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 348

10.3.3　互联网企业赋能生态伙伴的方法论 352

10.4　技术投资与采购的方法论 358

10.4.1　层面1：梳理业务所需的技术全景 358

10.4.2　层面2：梳理具体技术方向的内部逻辑 359

10.4.3　层面3：分析具备能力的候选企业 361

10.4.4　案例：短视频C端赛道的业务 362

10.5　人工智能的产业展望 364

10.5.1　人工智能未来的发展 364

10.5.2　人工智能应用的方法论 367

10.5.3　人工智能的企业市场分析 368

10.6　企业的组织能力：  《创新者的窘境》中的理论 370

10.7　人工智能应用领域的职业前景 372

第四部分　工具与实践

第11章　实践课 374

11.1　实践课1：基于深度学习框架飞桨完成房价

　　　 预测任务 374

11.1.1　深度学习框架 374

11.1.2　飞桨产业级深度学习开源开放平台 375

11.1.3　使用飞桨构建波士顿房价预测模型 383

11.2　实践课2：手写数字识别 384

11.3　实践课3：词向量和语义相似度 388

11.4　实践课4：毕业设计 395

11.4.1　毕业设计作业 395

11.4.2　往届学员优秀作品展示 396