掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
正版圖書攜程人工智能實踐 版權信息
- ISBN：9787121384400
- 條形碼：9787121384400 ; 978-7-121-38440-0
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
正版圖書攜程人工智能實踐 本書特色
《攜程人工智能實踐》的作者來自攜程多個研發部門，從具體的應用場景入手，主要包括旅行產品的個性化推薦和搜索，旅行場景的 OCR、機器翻譯和知識圖譜，主題圖片優選、推薦理由抽取，以及安全風險控制和如何工程化提升研發效率等，較為全面地介紹了如何對具體的業務問題進行建模，將其轉變為具體的機器學習模型，并將業務目標轉化為機器學習的目標函數。本書在此基礎上提供了一些有效的經驗，使得讀者能夠*化利用機器學習的方式全面有效地幫助企業提升業務目標、提升人效比，乃至為網站的安全保駕護航。作者希望本書能夠幫助產品技術同人更好地理解機器學習模型的落地，給讀者帶來啟發和借鑒。
正版圖書攜程人工智能實踐 內容簡介
《攜程人工智能實踐》詳細介紹了攜程在人工智能技術落地方面的深入探索，重點分享了如何從實際應用場景入手，把業務和產品的目標轉化為人工智能模型和算法問題。并綜合考慮系統、環境和數據的多種約束，設計和實施具體落地方案，同時對人工智能服務化和人工智能運營的理念和技術進行了很好的分析和總結，是攜程技術團隊多年開發和應用人工智能實踐經驗的結晶。本書對互聯網行業和人工智能應用研究機構的科研技術人員來說，是一本很好的案頭參考書。
正版圖書攜程人工智能實踐 目錄
目 錄
第1 章 數學基礎 001
1.1 引言 001
1.2 線性代數 001
1.2.1 概述 001
1.2.2 向量與矩陣 002
1.2.3 矩陣的運算 003
1.2.4 幾種特殊的矩陣 005
1.2.5 線性方程組與矩陣的逆 007
1.2.6 特征值和特征向量 010
1.2.7 張量的定義和運算 011
1.3 概率基礎 013
1.3.1 頻率與概率 013
1.3.2 熵 016
1.3.3 常見的概率分布 017
1.4 優化理論 020
1.4.1 優化理論簡介 020
1.4.2 無約束的優化問題 022
1.4.3 無約束的優化方法 024
1.4.4 風險函數的優化方法 026
1.4.5 帶約束的優化方法 028
1.5 本章小結 031
參考文獻 031
第2 章 模型構建 032
2.1 引言 032
2.2 建模流程 032
2.2.1 目標定義 032
2.2.2 損失函數 035
2.2.3 求解優化 037
2.2.4 結果評估 037
2.2.5 模型選擇 040
2.3 常見模型 042
2.3.1 模型的分類方法 042
2.3.2 回歸模型 043
2.3.3 邏輯回歸模型 047
2.4 集成學習 049
2.4.1 集成學習概述 049
2.4.2 Bagging 051
2.4.3 Boosting 052
2.5 本章小結 055
參考文獻 057
第3 章 個性化推薦與搜索 058
3.1 個性化推薦概述 058
3.2 跨領域推薦改善用戶冷啟動問題 059
3.2.1 背景描述 059
3.2.2 基礎定義 060
3.2.3 建模思路 061
3.2.4 模型結構 062
3.2.5 實驗結果 065
3.3 Bandit 算法在攜程場景中的應用實踐 066
3.3.1 Context-free Bandit 算法 067
3.3.2 Contextual Bandit 算法 069
3.3.3 場景應用 070
3.4 旅游度假產品的搜索個性化排序 078
3.4.1 度假搜索排序框架 079
3.4.2 度假搜索排序算法 080
3.4.3 模型演進及其他 085
3.4.4 小結 086
3.5 深度學習在酒店房型推薦中的應用實踐 087
3.5.1 酒店房型推薦業務的背景 087
3.5.2 業務問題轉化為算法問題 087
3.5.3 算法流程 088
3.5.4 小結 089
3.6 強化學習在酒店排序中的應用實踐 089
3.6.1 業務背景 089
3.6.2 傳統排序學習的局限性 090
3.6.3 強化學習的基本思路 091
3.6.4 算法流程 091
3.6.5 小結 093
3.7 瀑布流排序算法實踐 094
3.7.1 場景簡介 094
3.7.2 優化目標 094
3.7.3 特征工程 095
3.7.4 模型 097
3.7.5 位置偏差 098
3.7.6 評價指標 099
3.7.7 場景實踐 101
3.8 本章小結 101
第4 章 AI 服務化 102
4.1 AI 服務化的背景與難點 102
4.2 旅游領域知識圖譜 102
4.2.1 旅游領域知識圖譜的特點 103
4.2.2 旅游領域知識圖譜的構建 104
4.2.3 旅游領域知識圖譜的應用 112
4.3 QA 問答中的文本匹配與排序 117
4.3.1 基于深度學習的語義匹配模型 118
4.3.2 基于交互的語義匹配模型 122
4.3.3 遷移學習在語義匹配網絡中的應用 125
4.3.4 對語義匹配模型的一些思考 127
4.4 攜程國際化中的機器翻譯 130
4.4.1 模型架構 130
4.4.2 建模技巧 135
4.4.3 翻譯質量評估 138
4.5 證件全文本識別 141
4.5.1 文本識別簡介與發展歷程 141
4.5.2 文本識別步驟 142
4.5.3 文本檢測 142
4.5.4 文本識別 145
4.5.5 文本識別在證件識別中的應用實踐 145
4.6 本章小結 147
參考文獻 147
第5 章 AI 助力產品運營 150
5.1 旅游場景中的主題圖片自動優選 151
5.1.1 業務場景 151
5.1.2 圖像識別 151
5.1.3 圖像去重 154
5.1.4 圖像優美度識別 155
5.1.5 小結 158
5.2 知識推理在攜程業務中的應用 158
5.2.1 標簽系統的業務背景和業務痛點 159
5.2.2 標簽規則配置平臺的設計與實現 160
5.2.3 小結 164
5.3 基于專名的內容產品化 165
5.3.1 內容產品化的業務背景 165
5.3.2 命名實體識別 165
5.3.3 實體鏈接 168
5.3.4 小結 174
5.4 主題推薦理由抽取 174
5.4.1 主題推薦理由抽取的業務背景 174
5.4.2 智能內容抽取 175
5.4.3 自動內容生成 186
5.4.4 小結 193
5.5 本章小結 194
參考文獻 194
第6 章 AI 運營 199
6.1 問題的背景與難點 199
6.2 機器學習在海外酒店房態預測中的運用 201
6.2.1 業務背景 201
6.2.2 海外酒店房態預測的難點 201
6.2.3 海外酒店房態預測難點的解決方案 202
6.2.4 海外酒店房態預測的應用場景 208
6.3 IM 用戶模擬評分 209
6.3.1 業務背景 209
6.3.2 基于深度學習的模擬評分 210
6.3.3 技術方案流程 214
6.4 海外郵件自動化 215
6.4.1 業務背景 215
6.4.2 自然語言處理在郵件自動化中的應用 216
6.5 實時智能異常檢測平臺的算法及工程實現 221
6.5.1 應用場景 221
6.5.2 大而全的監控衍生出的問題 222
6.5.3 統計模型的困擾 222
6.5.4 算法選擇和設計目標 223
6.5.5 算法的描述和檢驗 225
6.5.6 實時性工程 231
6.6 本章小結 233
第7 章 信息安全 234
7.1 問題的背景與難點 235
7.2 機器學習在Web 攻擊檢測中的實踐 235
7.2.1 攜程Web-IDS 攻擊檢測系統架構介紹 235
7.2.2 定義目標問題 238
7.2.3 收集數據和實現特征工程 238
7.2.4 模型效果評估 240
7.2.5 線上應用和持續優化 241
7.3 機器學習在滑塊驗證碼防御中的實踐 242
7.3.1 滑塊驗證碼人機識別 243
7.3.2 滑塊驗證碼軌跡相似度識別 247
7.4 本章小結 253
參考文獻 253
第8 章 風險控制 254
8.1 自動化迭代反欺詐模型體系 254
8.1.1 風控變量體系 256
8.1.2 自動化迭代模型框架 256
8.1.3 RNN 表征學習 259
8.1.4 自動化與傳統方法的效果對比 261
8.2 “程信分”模型體系 263
8.2.1 “程信分”模型 263
8.2.2 “閃住”催收模型 266
8.3 主動學習在業務風控場景中的應用 268
8.3.1 酒店反刷單主動學習模型 268
8.3.2 機票防虛占主動學習模型 271
8.4 本章小結 273
參考文獻 273
第9 章 AI 挖掘中臺 274
9.1 AI 挖掘中臺的背景 274
9.2 AI 挖掘中臺的框架和功能 275
9.2.1 AI 挖掘中臺的構成 275
9.2.2 AI 挖掘操作步驟 276
9.2.3 AI 挖掘中臺的組件及工作流程 279
9.2.4 AI 挖掘中臺應用成效 281
9.3 大數據和人工智能的賦能 281
9.4 本章小結 282
第10 章 AI 運營中臺 283
10.1 AI 運營中臺的背景 283
10.2 AI 運營中臺的框架和功能 284
10.2.1 框架 284
10.2.2 流程 288
10.2.3 模塊 289
10.3 AI 運營中臺的高效運營 290
10.3.1 AI 賦能方式 290
10.3.2 企業應用實例 291
10.4 本章小結 292
第11 章 通用數據服務 294
11.1 通用數據服務的背景 294
11.2 通用數據服務平臺的架構和功能 295
11.2.1 通用數據服務平臺的架構 295
11.2.2 通用數據服務平臺的功能模塊 295
11.3 通用數據服務的監控 299
11.3.1 存儲監控 300
11.3.2 查詢監控 300
11.3.3 寫入監控 301
11.4 本章小結 302
第1 章 數學基礎 001
1.1 引言 001
1.2 線性代數 001
1.2.1 概述 001
1.2.2 向量與矩陣 002
1.2.3 矩陣的運算 003
1.2.4 幾種特殊的矩陣 005
1.2.5 線性方程組與矩陣的逆 007
1.2.6 特征值和特征向量 010
1.2.7 張量的定義和運算 011
1.3 概率基礎 013
1.3.1 頻率與概率 013
1.3.2 熵 016
1.3.3 常見的概率分布 017
1.4 優化理論 020
1.4.1 優化理論簡介 020
1.4.2 無約束的優化問題 022
1.4.3 無約束的優化方法 024
1.4.4 風險函數的優化方法 026
1.4.5 帶約束的優化方法 028
1.5 本章小結 031
參考文獻 031
第2 章 模型構建 032
2.1 引言 032
2.2 建模流程 032
2.2.1 目標定義 032
2.2.2 損失函數 035
2.2.3 求解優化 037
2.2.4 結果評估 037
2.2.5 模型選擇 040
2.3 常見模型 042
2.3.1 模型的分類方法 042
2.3.2 回歸模型 043
2.3.3 邏輯回歸模型 047
2.4 集成學習 049
2.4.1 集成學習概述 049
2.4.2 Bagging 051
2.4.3 Boosting 052
2.5 本章小結 055
參考文獻 057
第3 章 個性化推薦與搜索 058
3.1 個性化推薦概述 058
3.2 跨領域推薦改善用戶冷啟動問題 059
3.2.1 背景描述 059
3.2.2 基礎定義 060
3.2.3 建模思路 061
3.2.4 模型結構 062
3.2.5 實驗結果 065
3.3 Bandit 算法在攜程場景中的應用實踐 066
3.3.1 Context-free Bandit 算法 067
3.3.2 Contextual Bandit 算法 069
3.3.3 場景應用 070
3.4 旅游度假產品的搜索個性化排序 078
3.4.1 度假搜索排序框架 079
3.4.2 度假搜索排序算法 080
3.4.3 模型演進及其他 085
3.4.4 小結 086
3.5 深度學習在酒店房型推薦中的應用實踐 087
3.5.1 酒店房型推薦業務的背景 087
3.5.2 業務問題轉化為算法問題 087
3.5.3 算法流程 088
3.5.4 小結 089
3.6 強化學習在酒店排序中的應用實踐 089
3.6.1 業務背景 089
3.6.2 傳統排序學習的局限性 090
3.6.3 強化學習的基本思路 091
3.6.4 算法流程 091
3.6.5 小結 093
3.7 瀑布流排序算法實踐 094
3.7.1 場景簡介 094
3.7.2 優化目標 094
3.7.3 特征工程 095
3.7.4 模型 097
3.7.5 位置偏差 098
3.7.6 評價指標 099
3.7.7 場景實踐 101
3.8 本章小結 101
第4 章 AI 服務化 102
4.1 AI 服務化的背景與難點 102
4.2 旅游領域知識圖譜 102
4.2.1 旅游領域知識圖譜的特點 103
4.2.2 旅游領域知識圖譜的構建 104
4.2.3 旅游領域知識圖譜的應用 112
4.3 QA 問答中的文本匹配與排序 117
4.3.1 基于深度學習的語義匹配模型 118
4.3.2 基于交互的語義匹配模型 122
4.3.3 遷移學習在語義匹配網絡中的應用 125
4.3.4 對語義匹配模型的一些思考 127
4.4 攜程國際化中的機器翻譯 130
4.4.1 模型架構 130
4.4.2 建模技巧 135
4.4.3 翻譯質量評估 138
4.5 證件全文本識別 141
4.5.1 文本識別簡介與發展歷程 141
4.5.2 文本識別步驟 142
4.5.3 文本檢測 142
4.5.4 文本識別 145
4.5.5 文本識別在證件識別中的應用實踐 145
4.6 本章小結 147
參考文獻 147
第5 章 AI 助力產品運營 150
5.1 旅游場景中的主題圖片自動優選 151
5.1.1 業務場景 151
5.1.2 圖像識別 151
5.1.3 圖像去重 154
5.1.4 圖像優美度識別 155
5.1.5 小結 158
5.2 知識推理在攜程業務中的應用 158
5.2.1 標簽系統的業務背景和業務痛點 159
5.2.2 標簽規則配置平臺的設計與實現 160
5.2.3 小結 164
5.3 基于專名的內容產品化 165
5.3.1 內容產品化的業務背景 165
5.3.2 命名實體識別 165
5.3.3 實體鏈接 168
5.3.4 小結 174
5.4 主題推薦理由抽取 174
5.4.1 主題推薦理由抽取的業務背景 174
5.4.2 智能內容抽取 175
5.4.3 自動內容生成 186
5.4.4 小結 193
5.5 本章小結 194
參考文獻 194
第6 章 AI 運營 199
6.1 問題的背景與難點 199
6.2 機器學習在海外酒店房態預測中的運用 201
6.2.1 業務背景 201
6.2.2 海外酒店房態預測的難點 201
6.2.3 海外酒店房態預測難點的解決方案 202
6.2.4 海外酒店房態預測的應用場景 208
6.3 IM 用戶模擬評分 209
6.3.1 業務背景 209
6.3.2 基于深度學習的模擬評分 210
6.3.3 技術方案流程 214
6.4 海外郵件自動化 215
6.4.1 業務背景 215
6.4.2 自然語言處理在郵件自動化中的應用 216
6.5 實時智能異常檢測平臺的算法及工程實現 221
6.5.1 應用場景 221
6.5.2 大而全的監控衍生出的問題 222
6.5.3 統計模型的困擾 222
6.5.4 算法選擇和設計目標 223
6.5.5 算法的描述和檢驗 225
6.5.6 實時性工程 231
6.6 本章小結 233
第7 章 信息安全 234
7.1 問題的背景與難點 235
7.2 機器學習在Web 攻擊檢測中的實踐 235
7.2.1 攜程Web-IDS 攻擊檢測系統架構介紹 235
7.2.2 定義目標問題 238
7.2.3 收集數據和實現特征工程 238
7.2.4 模型效果評估 240
7.2.5 線上應用和持續優化 241
7.3 機器學習在滑塊驗證碼防御中的實踐 242
7.3.1 滑塊驗證碼人機識別 243
7.3.2 滑塊驗證碼軌跡相似度識別 247
7.4 本章小結 253
參考文獻 253
第8 章 風險控制 254
8.1 自動化迭代反欺詐模型體系 254
8.1.1 風控變量體系 256
8.1.2 自動化迭代模型框架 256
8.1.3 RNN 表征學習 259
8.1.4 自動化與傳統方法的效果對比 261
8.2 “程信分”模型體系 263
8.2.1 “程信分”模型 263
8.2.2 “閃住”催收模型 266
8.3 主動學習在業務風控場景中的應用 268
8.3.1 酒店反刷單主動學習模型 268
8.3.2 機票防虛占主動學習模型 271
8.4 本章小結 273
參考文獻 273
第9 章 AI 挖掘中臺 274
9.1 AI 挖掘中臺的背景 274
9.2 AI 挖掘中臺的框架和功能 275
9.2.1 AI 挖掘中臺的構成 275
9.2.2 AI 挖掘操作步驟 276
9.2.3 AI 挖掘中臺的組件及工作流程 279
9.2.4 AI 挖掘中臺應用成效 281
9.3 大數據和人工智能的賦能 281
9.4 本章小結 282
第10 章 AI 運營中臺 283
10.1 AI 運營中臺的背景 283
10.2 AI 運營中臺的框架和功能 284
10.2.1 框架 284
10.2.2 流程 288
10.2.3 模塊 289
10.3 AI 運營中臺的高效運營 290
10.3.1 AI 賦能方式 290
10.3.2 企業應用實例 291
10.4 本章小結 292
第11 章 通用數據服務 294
11.1 通用數據服務的背景 294
11.2 通用數據服務平臺的架構和功能 295
11.2.1 通用數據服務平臺的架構 295
11.2.2 通用數據服務平臺的功能模塊 295
11.3 通用數據服務的監控 299
11.3.1 存儲監控 300
11.3.2 查詢監控 300
11.3.3 寫入監控 301
11.4 本章小結 302
展開全部
正版圖書攜程人工智能實踐 相關資料
《攜程人工智能實踐》分享了人工智能技術在攜程具體業務場景中的落地，選取的都是真實技術案例，相信對相關領域的同學會有所幫助。我們也相信人工智能技術會對旅行等服務領域帶來巨大改變，希望更多人參與到人工智能的實際研發中來。 ——攜程集團執行副總裁、技術負責人 張晨 人工智能作為一門理論與實踐并重的學科，要求研究人員在理解相關理論的同時，還要了解如何在實際業務中應用人工智能技術。本書結合攜程的具體業務場景，展現了人工智能技術的落地方案，從旅行產品的個性化推薦和搜索，到旅行場景的OCR、機器翻譯和知識圖譜，再到產品層面的主題圖片優選、推薦理由抽取等，有理論、有方法，還有經驗分享，適合對人工智能感興趣的同人和從業者學習。 ——北京大學計算機系副主任、長江學者特聘教授 崔斌 智能時代已經來臨，攜程結合自身具體業務場景，傾情奉獻了人工智能實踐精選。本書不僅包括個性化推薦、搜索、旅游知識圖譜、QA 問答、機器翻譯和證件 OCR 的AI 服務， 而且包括AI 賦能運營、智能信息安全與風控，以及挖掘平臺和運營平臺等AI 中臺化內容。本書將理論與實踐相結合，在涵蓋人工智能原理與算法的基礎上，提供了大量應用落地案例和相關思考。在人們越來越重視生活質量和旅游體驗的背景下，本書帶領讀者全面了解在線旅游行業的AI 場景及解決方案，是一本不可多得的好書。 ——同濟大學百人計劃特聘研究員，OpenKG 創始人之一 王昊奮 對于深度學習而言，*重要的是與應用場景結合，從而產生商業價值。本書從數學基礎、模型構建、場景實踐及工程化等方面對深度學習進行了全面的介紹，并圍繞OTA 行業運營的應用實踐和案例，詳細講解了神經網絡模型在推薦和搜索、運營提效、風控安全等業務領域的具體實施，同時詳細介紹了平臺化、服務化在深度學習應用中的重要意義和具體實踐。本書案例翔實、深入淺出，是攜程技術團隊多年實踐經驗的結晶，非常適合行業實踐者閱讀參考。 ——滴滴出行杰出數據科學家 謝梁 AI 是互聯網未來技術的下一站，今天我們欣喜地看見，攜程AI 中臺化的努力與成果，把技術人對未來的夢想在OTA 行業變成了落地的現實，真實地服務于數億公眾的出行，為AI 的產業化樹立了新標桿。 ——螞蟻金服算法總監 于磊 本書的突出特點是理論與實際業務緊密結合，介紹了人工智能的核心概念、技術原理，結合攜程具體業務展現了技術的落地實踐。本書內容全面，案例充分，實用性強，人工智能從業者和對人工智能應用感興趣的同人都能從中獲益。 ——微眾銀行首席人工智能官，香港科技大學講座教授 楊強 本書詳細介紹了攜程在人工智能技術落地方面的深入探索，重點分享了如何從實際應用場景入手，把業務和產品的目標轉化為人工智能模型和算法問題。并綜合考慮系統、環境和數據的多種約束，設計和實施具體落地方案，同時對人工智能服務化和人工智能運營的理念和技術進行了很好的分析和總結，是攜程技術團隊多年開發和應用人工智能實踐經驗的結晶。本書對互聯網行業和人工智能應用研究機構的科研技術人員來說，是一本很好的案頭參考書。 ——美國微軟人工智能與研究院高級研究總監，《深度學習模型及應用詳解》作者 張若非
正版圖書攜程人工智能實踐 作者簡介
攜程技術團隊
作為攜程集團的核心競爭力，攜程技術團隊由近7000位來自海內外的精英工程師組成，為攜程集團業務的運作和開拓提供全面技術支持，并以技術創新源源不斷地為產品和服務創造價值。
技術從來都不是閉門造車，攜程技術團隊會一直以開放和充滿熱情的心態，通過各種渠道和方式，和圈內小伙伴們探討、交流、碰撞，共同收獲和成長。
書友推薦
- >
我從未如此眷戀人間
- >
巴金－再思錄
- >
朝聞道
- >
名家帶你讀魯迅:故事新編
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
【精裝繪本】畫給孩子的中國神話
- >
月亮虎
- >
苦雨齋序跋文-周作人自編集
本類暢銷
