智能Web算法

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近期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。

DouglasMcIlwraith博士在剑桥大学计算机科学系获得了学士学位，而后在帝国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。
HaralambosMarmanis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。
DmitryBabenko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。他拥有白俄罗斯国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，中国计算机学会不错会员；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、文学数据中心不错总监、核心算法工程师等工作，申请有30余项国家发明，多次参加靠前ACM数据算法竞赛并获得冠亚军荣誉。

第1章为智能Web建立应用1
1.1智能算法的实践运用：GoogleNow3
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
2.3k—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
2.5k—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
3.6Net.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
5.2.1cookie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
5.3.1bidder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VowpalWabbit进行点击预测120
5.5.1VowpalWabbit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
6.4.5scikit—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
7.1A／B测试170
7.1.1相关的理论170
7.1.2评估代码173
7.1.3A／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
7.4A／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