机器学习高级实践:计算广告、供需预测、智能营销、动态定价

序一
序二
前言
第1章 机器学习/
1.1机器学习概述/
1.1.1机器学习发展历史/
1.1.2机器学习工作原理/
1.2机器学习典型工具箱/
1.2.1NumPy/
1.2.2Pandas/
1.2.3SciKit-Learn/
1.2.4TensorFlow/
1.3机器学习项目实现流程/
1.3.1业务场景拆解/
1.3.2构建特征工程/
1.3.3模型评估与选型/
1.3.4模型优化/
第2章 业务场景拆解/
2.1业务目标拆解/
2.1.1业务目标拆解方法/
2.1.2算法模型作用环节分析/
2.2项目方案制定/
2.2.1项目团队配置/
2.2.2机器学习项目方案制定/
第3章 特征工程/
3.1特征工程基础/
3.1.1特征工程的概念和意义/
3.1.2工业界特征工程应用/
3.2数据预处理/
3.2.1缺失值处理/
3.2.2异常值处理/
3.3数值变量处理/
3.3.1连续特征离散化/
3.3.2数值数据变换/
3.3.3特征缩放和归一化/
3.4类别变量处理/
3.4.1类别特征的编码方法/
3.4.2特征交叉/
3.5特征筛选/
3.5.1过滤式/
3.5.2包装法/
3.5.3嵌入法/
第4章 模型评估和模型选型/
4.1模型评估和模型选型概要/
4.1.1模型评估简介/
4.1.2模型选型简介/
4.2模型评估方法/
4.2.1留出法/
4.2.2K折交叉验证法/
4.2.3自助法/
4.3模型评估指标/
4.3.1分类问题评估指标/
4.3.2回归模型评估指标/
4.3.3结合业务场景选择评估指标/
4.4典型模型介绍/
4.4.1统计机器学习/
4.4.2深度学习/
4.4.3因果推断/
4.5模型选型技术/
4.5.1模型选型依据/
4.5.2偏差和方差/
4.5.3结合业务场景进行模型选型/
第5章 模型优化/
5.1数据集优化/
5.1.1数据采样/
5.1.2数据降维/
5.2目标函数优化/
5.2.1常见损失函数/
5.2.2正则化项/
5.2.3不平衡数据集下对损失函数的优化/
5.3模型结构优化——集成学习/
5.3.1Bagging/
5.3.2Boosting/
5.3.3Stacking/
5.4*优化算法/
5.4.1梯度下降法/
5.4.2牛顿法和拟牛顿法/
5.4.3Momentum/AdaGrad/RMSProp/Adam/
5.5模型参数优化/
5.5.1模型调参要素/
5.5.2网格搜索/
5.5.3随机搜索/
5.5.4贝叶斯优化/
第6章 计算广告：广告点击率预估/
6.1业务场景介绍/
6.1.1计算广告概述/
6.1.2计算广告核心算法/
6.2点击率预估场景下的特征挖掘/
6.2.1数据集介绍/
6.2.2数据分析/
6.2.3特征构建/
6.3常见的点击率预估模型/
6.3.1基线模型建设/
6.3.2DeepCrossing模型/
6.3.3Wide&Deep模型/
6.3.4Deep&Cross模型/
6.3.5DeepFM模型/
6.3.6AFM模型/
6.3.7DIN模型/
第7章 供需预测：“新零售”之供需时序建模/
7.1业务场景介绍/
7.1.1为什么需要供需预测/
7.1.2新零售场景下的供需预测/
7.2时序问题的数据分析和特征挖掘/
7.2.1数据集介绍/
7.2.2数据分析/
7.2.3特征构建/
7.3时序模型探索过程/
7.3.1传统时序模型——ARIMA/
7.3.2Prophet模型/
7.3.3树模型——LightGBM/
7.3.4深度学习模型——LSTM模型/
7.3.5深度学习模型——Transformer模型/
7.3.6深度学习模型——DeepAR模型/
第8章 智能营销：优惠券发放/
8.1业务场景介绍/
8.1.1智能营销的概念和架构/
8.1.2优惠券发放业务场景/
8.2智能营销场景下的特征挖掘/
8.2.1数据集介绍/
8.2.2用户侧特征挖掘/
8.2.3产品侧特征挖掘/
8.3智能营销建模流程/
8.3.1发给谁——人群分层模型（RFM、Uplift Model、ESMM）/
8.3.2发多少——LTV模型/
8.3.3怎么发——优惠券分发策略/
第9章 动态定价：交易市场价格动态调整/
9.1业务场景介绍/
9.1.1动态定价概述/
9.1.2常见动态定价业务场景/
9.1.3网约车场景下的交易市场业务/
9.2动态定价相关的特征挖掘/
9.2.1时空特征挖掘/
9.2.2用户特征挖掘/
9.2.3平台特征挖掘/
9.3动态定价模型/
9.3.1动态定价策略总览/
9.3.2用户行为预估模型/