第1章 為智能Web建立應用
1.1 智能算法的實踐運用：Goog
1.2 智能算法的生命周期
1.3 智能算法的*多示例
1.4 不屬於智能應用的內容
1.4.1 智能算法並不是**的思考機器
1.4.2 智能算法並不能成為**代替人類的工具
1.4.3 智能算法的發展並非一蹴而就
1.5 智能算法的類別體繫
1.5.1 人工智能
1.5.2 機器學習
1.5.3 預測分析
1.6 評估智能算法的效果
1.6.1 評估智能化的程度
1.6.2 評估預測
1.7 智能算法的重點歸納
1.7.1 你的數據未必可靠
1.7.2 計算難以瞬間完成
1.7.3 數據規模**重要
1.7.4 不同的算法具有不同的擴展能力
1.7.5 並不存在**的方法
1.7.6 數據並不是**的
1.7.7 模型訓練時間差異很大
1.7.8 泛化能力是目標
1.7.9 人類的直覺未必準確
1.7.1 0 要考慮融入*多新特征
1.7.1 1 要學習各種不同的模型
1.7.1 2 相關關繫不等同於因果關繫
1.8 本章小結
第2章 從數據中提取結構：聚類和數據變換
2.1 數據、結構、偏見和噪聲
2.2 維度詛咒
2.3 k-means算法
2.3.1 實踐運用 k
2.4 高斯混合模型
2.4.1 什麼是高斯分布
2.4.2 期望*大與高斯分布
2.4.3 高斯混合模型
2.4.4 高斯混合模型的學習實例
2.5 k-means和GMM的關繫
2.6 數據坐標軸的變換
2.6.1 特征向量和特征值
2.6.2 主成分分析
2.6.3 主成分分析的示例
2.7 本章小結
第3章 **繫統的相關內容
3.1 場景設置：在線電影商店
3.2 距離和相似度
3.2.1 距離和相似度的剖析
3.2.2 *好的相似度公式是什麼
3.3 **引擎是如何工作的
3.4 基於用戶的協同過濾
3.5 奇異值分解用於基於模型的**
3.5.1 奇異值分解
3.5.2 使用奇異值分解進行**：為用戶挑選電影
3.5.3 使用奇異值分解進行**：幫電影找到用戶
3.6 Net.ix競賽
3.7 評估**繫統
3.8 本章小結
第4章 分類：將物品歸類到所屬的地方
4.1 對分類的需求
4.2 分類算法概覽
4.2.1 結構性分類算法
4.2.2 統計性分類算法
4.2.3 分類器的生命周期
4.3 基於邏輯回歸的欺詐檢測
4.3.1 線性回歸簡介
4.3.2 從線性回歸到邏輯回歸
4.3.3 欺詐檢測的應用
4.4 你的結果可信嗎
4.5 大型數據集的分類技術
4.6 本章小結
第5章 在線廣告點擊預測
5.1 歷史與背景
5.2 廣告交易平臺
5.2.1 cookie 匹配
5.2.2 競價（bid）
5.2.3 競價成功（或失敗）的通知
5.2.4 廣告展示位
5.2.5 廣告監測
5.3 什麼是bi
5.3.1 bidder的需求
5.4 何為決策引擎
5.4.1 用戶信息
5.4.2 廣告展示位信息
5.4.3 上下文信息
5.4.4 數據準備
5.4.5 決策引擎模型
5.4.6 將點擊率預測值映射為競價價格
5.4.7 特征工程
5.4.8 模型訓練
5.5 使用Vowpal Wabbit進行點擊預測
5.5.1 Vowpal Wabbit的數據格式
5.5.2 準備數據集
5.5.3 測試模型
5.5.4 模型修正
5.6 構建決策引擎的復雜問題
5.7 實時預測繫統的前景
5.8 本章小結
第6章 深度學習和神經網絡
6.1 深度學習的直觀方法
6.2 神經網絡
6.3 感知機
6.3.1 模型訓練
6.3.2 用 scikit-learn訓練感知機
6.3.3 兩個輸入值的感知機的幾何解釋
6.4 多層感知機
6.4.1 用反向傳播訓練
6.4.2 激活函數
6.4.3 反向傳播背後的直觀理解
6.4.4 反向傳播理論
6.4.5 scikit-learn中的多層神經網絡
6.4.6 訓練出來的多層感知機
6.5 *深層：從多層神經網絡到深度學習
6.5.1 受限玻耳茲曼機
6.5.2 伯努利受限玻耳茲曼機
6.5.3 受限玻耳茲曼機實戰
6.6 本章小結
第7章 做出正確的選擇
7.1 A/B測試
7.1.1 相關的理論
7.1.2 評估代碼
7.1.3 A/B測試的適用性
7.2 多臂賭博機
7.2.1 多臂賭博機策略
7.3 實踐中的貝葉斯賭博機策略
7.4 A/B測試與貝葉斯賭博機的對比
7.5 擴展到多臂賭博機
7.5.1 上下文賭博機
7.5.2 對抗賭博機
7.6 本章小結
第8章 智能Web的未來
8.1 智能Web的未來應用
8.1.1 物聯網
8.1.2 家庭健康護理
8.1.3 自動駕駛汽車
8.1.4 個性化的線下廣告
8.1.5 語義網
8.2 智能Web的社會影響
附錄A 抓取網絡上的數據