美团机器学习实践
若图片与书名不一致，以书名和定价为准！
￥ 50.56 6.4折 ￥ 79 全新
库存3件
河北保定
认证卖家担保交易快速发货售后保障
作者美团算法团队 著
出版社人民邮电出版社
ISBN9787115484635
出版时间2018-08
版次1
装帧平装
开本16开
纸张胶版纸
页数308页
字数99999千字
定价79元
货号7879539
上书时间2024-09-06
- 在售商品 暂无
- 平均发货时间 33小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 商品描述
-
基本信息
书名:美团机器学习实践
定价：79元
作者:美团算法团队 著
出版社：人民邮电出版社
出版日期：2018-08-01
ISBN：9787115484635
字数：450000
页码：308
版次：1
装帧：平装
开本：16开
商品重量：
编辑推荐
内容提要
目录
第 一部分 通用流程第 1章 问题建模 21.1 评估指标 31.1.1 分类指标 41.1.2 回归指标 71.1.3 排序指标 91.2 样本选择 101.2.1 数据去噪 111.2.2 采样 121.2.3 原型选择和训练集选择 131.3 交叉验证 141.3.1 留出法 141.3.2 K折交叉验证 151.3.3 自助法 16参考文献 17第 2章 特征工程 182.1 特征提取 182.1.1 探索性数据分析 192.1.2 数值特征 202.1.3 类别特征 222.1.4 时间特征 242.1.5 空间特征 252.1.6 文本特征 252.2 特征选择 272.2.1 过滤方法 282.2.2 封装方法 312.2.3 嵌入方法 312.2.4 小结 322.2.5 工具介绍 33参考文献 33第3章 常用模型 353.1 逻辑回归 353.1.1 逻辑回归原理 353.1.2 逻辑回归应用 383.2 场感知因子分解机 393.2.1 因子分解机原理 393.2.2 场感知因子分解机原理 403.2.3 场感知因子分解机的应用 413.3 梯度提升树 423.3.1 梯度提升树原理 423.3.2 梯度提升树的应用 44参考文献 44第4章 模型融合 454.1 理论分析 464.1.1 融合收益 464.1.2 模型误差 分歧分解 464.1.3 模型多样性度量 484.1.4 多样性增强 494.2 融合方法 504.2.1 平均法 504.2.2 投票法 524.2.3 Bagging 544.2.4 Stacking 554.2.5 小结 56参考文献 57第二部分 数据挖掘第5章 用户画像 605.1 什么是用户画像 605.2 用户画像数据挖掘 635.2.1 画像数据挖掘整体架构 635.2.2 用户标识 655.2.3 特征数据 675.2.4 样本数据 685.2.5 标签建模 695.3 用户画像应用 835.3.1 用户画像实时查询系统 835.3.2 人群画像分析系统 875.3.3 其他系统 905.3.4 线上应用效果 915.4 小结 91参考文献 91第6章 POI实体链接 926.1 问题的背景与难点 926.2 国内酒店POI实体链接解决方案 946.2.1 酒店POI实体链接 946.2.2 数据清洗 966.2.3 特征生成 976.2.4 模型选择与效果评估 1006.2.5 索引粒度的配置 1016.3 其他场景的策略调整 1016.4 小结 103第7章 评论挖掘 1047.1 评论挖掘的背景 1047.1.1 评论挖掘的粒度 1057.1.2 评论挖掘的维度 1057.1.3 评论挖掘的整合思考 1067.2 评论标签提取 1067.2.1 数据的获取及预处理 1077.2.2 无监督的标签提取方法 1097.2.3 基于深度学习的标签提取方法 1117.3 标签情感分析 1137.3.1 评论标签情感分析的特殊性 1137.3.2 基于深度学习的情感分析方法 1157.3.3 评论标签情感分析的后续优 化与思考 1187.4 评论挖掘的未来应用及实践 1197.5 小结 119参考文献 119第三部分 搜索和推荐第8章 O2O场景下的查询理解与 用户引导 1228.1 现代搜索引擎原理 1238.2 理解查询 1248.2.1 用户查询意图的定义与识别 1258.2.2 查询实体识别与结构化 1298.2.3 召回策略的变迁 1308.2.4 查询改写 1318.2.5 词权重与相关性计算 1348.2.6 类目相关性与人工标注 1358.2.7 查询理解小结 1368.3 引导用户完成搜索 1378.3.1 用户引导的产品定义与衡量 标准 1378.3.2 搜索前的引导——查询词 推荐 1408.3.3 搜索中的引导——查询补全 1438.3.4 搜索后的引导——相关搜索 1458.3.5 效率提升与效果提升 1458.3.6 用户引导小结 1498.4 小结 149参考文献 150第9章 O2O场景下排序的特点 1529.1 系统概述 1549.2 在线排序服务 1549.3 多层正交A/B测试 1559.4 特征获取 1559.5 离线调研系统 1569.6 特征工程 1569.7 排序模型 1579.8 场景化排序 1609.9 小结 165第 10章 推荐在O2O场景的应用 16610.1 典型的O2O推荐场景 16610.2 O2O推荐场景特点 16710.2.1 O2O场景的地理位置因素 16810.2.2 O2O场景的用户历史行为 16810.2.3 O2O场景的实时推荐 16910.3 美团推荐实践——推荐框架 16910.4 美团推荐实践——推荐召回 17010.4.1 基于协同过滤的召回 17110.4.2 基于位置的召回 17110.4.3 基于搜索查询的召回 17210.4.4 基于图的召回 17210.4.5 基于实时用户行为的召回 17210.4.6 替补策略 17210.5 美团推荐实践——推荐排序 17310.5.1 排序特征 17310.5.2 排序样本 17410.5.3 排序模型 17510.6 推荐评价指标 176参考文献 176第四部分 计算广告第 11章 O2O场景下的广告营销 17811.1 O2O场景下的广告业务特点 17811.2 商户、用户和平台三者利益平衡 18011.2.1 商户效果感知 18011.2.2 用户体验 18111.2.3 平台收益 18211.3 O2O广告机制设计 18311.3.1 广告位设定 18311.3.2 广告召回机制 18311.3.3 广告排序机制 18411.4 O2O推送广告 18711.5 O2O广告系统工具 19011.5.1 面向开发人员的系统工具 19011.5.2 面向广告主和运营人员的 工具 19211.6 小结 194参考文献 194第 12章 用户偏好和损失建模 19612.1 如何定义用户偏好 19612.1.1 什么是用户偏好 19612.1.2 如何衡量用户偏好 19612.1.3 对不同POI 的偏好 19712.1.4 用户对 POI 偏好的衡量 19712.2 广告价值与偏好损失的兑换 19812.2.1 优化目标 19912.2.2 模型建模 19912.3 Pairwise 模型学习 20112.3.1 GBRank 20212.3.2 RankNet 204参考文献 205第五部分 深度学习第 13章 深度学习概述 20813.1 深度学习技术发展历程 20913.2 深度学习基础结构 21113.3 深度学习研究热点 21613.3.1 基于深度学习的生成式模型 21613.3.2 深度强化学习 218参考文献 219第 14章 深度学习在文本领域的应用 22014.1 基于深度学习的文本匹配 22114.2 基于深度学习的排序模型 23114.2.1 排序模型简介 23114.2.2 深度学习排序模型的演进 23214.2.3 美团的深度学习排序模型 尝试 23514.3 小结 237参考文献 237第 15章 深度学习在计算机视觉中的 应用 23815.1 基于深度学习的OCR 23815.1.1 OCR技术发展历程 23915.1.2 基于深度学习的文字检测 24415.1.3 基于序列学习的文字识别 24815.1.4 小结 25115.2 基于深度学习的图像智能审核 25115.2.1 基于深度学习的水印检测 25215.2.2 明星脸识别 25415.2.3 色情图片检测 25715.2.4 场景分类 25715.3 基于深度学习的图像质量排序 25915.3.1 图像美学质量评价 26015.3.2 面向点击预测的图像质量 评价 26015.4 小结 263参考文献 264第六部分 算法工程第 16章 大规模机器学习 26816.1 并行计算编程技术 26816.1.1 向量化 26916.1.2 多核并行OpenMP 27016.1.3 GPU编程 27216.1.4 多机并行MPI 27316.1.5 并行编程技术小结 27616.2 并行计算模型 27616.2.1 BSP 27716.2.2 SSP 27916.2.3 ASP 28016.2.4 参数服务器 28116.3 并行计算案例 28416.3.1 XGBoost并行库Rabit 28416.3.2 MXNet并行库PS-Lite 28616.4 美团并行计算机器学习平台 287参考文献 289第 17章 特征工程和实验平台 29017.1 特征平台 29017.1.1 特征生产 29017.1.2 特征上线 29317.1.3 在线特征监控 30117.2 实验管理平台 30217.2.1 实验平台概述 30217.2.2 美团实验平台——Gemini 304
作者介绍
美团算法团队由数百名算法工程师组成，负责构建美团这个生活服务互联网大平台的“大脑”，涵盖搜索、推荐、广告、风控、机器学习、计算机视觉、语音、自然语言处理、智能调度、机器人和无人配送等多个技术方向，在帮助美团数亿活跃用户改善用户体验的同时，也帮助餐饮、酒店、婚庆、丽人、亲子等200多个行业的数百万商户提升运营效率。我们致力于通过算法和人工智能技术，帮大家吃得更好，活得更好。
序言
-
【封面】
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价