前言 .. 1

第一部分

第1章 機器學(xué)習(xí)項目流程 .11

1.1 如何利用機器學(xué)習(xí) 11

1.2 機器學(xué)習(xí)項目的流程 13

1.3 實際系統(tǒng)中的機器學(xué)習(xí)問題的處理方法 27

1.4 機器學(xué)習(xí)系統(tǒng)的成功要素 32

1.5 小結(jié) 34

第2章 機器學(xué)習(xí)的用途 35

2.1 算法選擇 35

2.2 分類 37

2.3 回歸 69

2.4 聚類與降維 72

2.5 其他 74

2.6 小結(jié) 76

第3章 學(xué)習(xí)結(jié)果的評價 77

3.1 分類的評價矩陣 77

3.2 回歸的評價 86

3.3 機器學(xué)習(xí)系統(tǒng)的A/B測試 88

3.4 小結(jié) 89

第4章 機器學(xué)習(xí)系統(tǒng)的開發(fā) 91

4.1 機器學(xué)習(xí)系統(tǒng)的開發(fā)流程 91

4.2 系統(tǒng)設(shè)計 92

4.3 日志設(shè)計 105

4.4 小結(jié) 110

第5章 機器學(xué)習(xí)資源的收集 111

5.1 機器學(xué)習(xí)資源的獲取 111

5.2 利用公開的數(shù)據(jù)集或模型 113

5.3 開發(fā)者自己創(chuàng)建訓(xùn)練數(shù)據(jù) 114

5.4 他人幫忙輸入數(shù)據(jù) 116

5.5 數(shù)據(jù)創(chuàng)建眾包 117

5.6 基于服務(wù)的用戶輸入 119

5.7 小結(jié) 120

第6章 效果驗證 121

6.1 效果驗證概述 121

6.2 假設(shè)檢驗的框架 125

6.3 假設(shè)檢驗的注意事項 131

6.4 因果效應(yīng)的推斷 137

6.5 A/B測試 141

6.6 小結(jié) 144

第二部分

第7章 電影推薦系統(tǒng) 147

7.1 概述 147

7.2 推薦系統(tǒng)功能 149

7.3 MovieLens的數(shù)據(jù)趨勢 159

7.4 推薦系統(tǒng)的開發(fā) 165

7.5 小結(jié) . 176

第8章 Kickstarter的數(shù)據(jù)分析 177

8.1 Kickstarter的API 177

8.2 Kickstarter的網(wǎng)絡(luò)爬蟲 178

8.3 數(shù)據(jù)變換 . 180

8.4 瀏覽Excel數(shù)據(jù) . 181

8.5 數(shù)據(jù)透視表 185

8.6 達成目標卻被取消的項目 190

8.7 國別的項目分析 192

8.8 形成分析報告 194

8.9 進一步的工作 204

8.10 小結(jié) 204

第9章 基于Uplift Modeling的營銷資源效率分析207

9.1 Uplift Modeling的四象限分區(qū) 208

9.2 擴展A/B測試的Uplift Modeling的概要 210

9.3 Uplift Modeling的數(shù)據(jù)集生成 211

9.4 利用兩個預(yù)測模型的Uplift Modeling . 214

9.5 Uplift Modeling的評價方法 . 218

9.6 實際應(yīng)用 . 224

9.7 實際應(yīng)用Uplift Modeling的相關(guān)事項 . 231

9.8 小結(jié) . 233

參考文獻 235

后記 .239

致謝 .241