機器學(xué)習(xí)互聯(lián)網(wǎng)業(yè)務(wù)安全實踐

第1章 互聯(lián)網(wǎng)業(yè)務(wù)安全簡述\t1
1．1 互聯(lián)網(wǎng)業(yè)務(wù)安全現(xiàn)狀\t1
1．2 如何應(yīng)對挑戰(zhàn)\t4
1．3 本章小結(jié)\t6
參考資料\t6
第2章 機器學(xué)習(xí)入門\t8
2．1 相似性\t9
2．1．1 范數(shù)\t9
2．1．2 度量\t12
2．2 矩陣\t20
2．2．1 線性空間\t20
2．2．2 線性算子\t24
2．3 空間\t33
2．3．1 內(nèi)積空間\t33
2．3．2 歐幾里得空間（Euclid space）\t34
2．3．3 酉空間\t37
2．3．4 賦范線性空間\t38
2．3．5 巴拿赫空間\t39
2．3．6 希爾伯特空間\t43
2．3．7 核函數(shù)\t44
2．4 機器學(xué)習(xí)中的數(shù)學(xué)結(jié)構(gòu)\t46
2．4．1 線性結(jié)構(gòu)與非線性結(jié)構(gòu)\t46
2．4．2 圖論基礎(chǔ)\t47
2．4．3 樹\t56
2．4．4 神經(jīng)網(wǎng)絡(luò)\t62
2．4．5 深度網(wǎng)絡(luò)結(jié)構(gòu)\t80
2．4．6 小結(jié)\t95
2．5 統(tǒng)計基礎(chǔ)\t96
2．5．1 貝葉斯統(tǒng)計\t96
2．5．2 共軛先驗分布\t99
2．6 策略與算法\t106
2．6．1 凸優(yōu)化的基本概念\t106
2．6．2 對偶原理\t120
2．6．3 非線性規(guī)劃問題的解決方法\t129
2．6．4 無約束問題的最優(yōu)化方法\t134
2．7 機器學(xué)習(xí)算法應(yīng)用的經(jīng)驗\t145
2．7．1 如何定義機器學(xué)習(xí)目標(biāo)\t145
2．7．2 如何從數(shù)據(jù)中獲取最有價值的信息\t149
2．7．3 評估模型的表現(xiàn)\t154
2．7．4 測試效果遠(yuǎn)差于預(yù)期怎么辦\t156
2．8 本章小結(jié)\t159
參考資料\t160
第3章 模型\t163
3．1 基本概念\t163
3．2 模型評價指標(biāo)\t166
3．2．1 混淆矩陣\t167
3．2．2 分類問題的基礎(chǔ)指標(biāo)\t167
3．2．3 ROC曲線與AUC\t171
3．2．4 基尼系數(shù)\t173
3．2．5 回歸問題的評價指標(biāo)\t175
3．2．6 交叉驗證\t175
3．3 回歸算法\t177
3．3．1 最小二乘法\t177
3．3．2 脊回歸\t181
3．3．3 Lasso回歸線性模型\t181
3．3．4 多任務(wù)Lasso\t181
3．3．5 L1、L2正則雜談\t182
3．4 分類算法\t183
3．4．1 CART算法\t183
3．4．2 支持向量機\t186
3．5 降維\t188
3．5．1 貝葉斯網(wǎng)絡(luò)\t189
3．5．2 主成分分析\t195
3．6 主題模型LDA\t198
3．6．1 馬爾可夫鏈蒙特卡羅法\t198
3．6．2 貝葉斯網(wǎng)絡(luò)與生成模型\t199
3．6．3 學(xué)習(xí)方法在LDA中的應(yīng)用\t206
3．7 集成學(xué)習(xí)方法（Ensemble Method）\t215
3．7．1 Boosting方法\t216
3．7．2 Bootstrap Aggregating方法\t220
3．7．3 Stacking方法\t221
3．7．4 小結(jié)\t222
參考資料\t223
第4章 機器學(xué)習(xí)實踐的基礎(chǔ)包\t226
4．1 簡介\t226
4．2 Python機器學(xué)習(xí)基礎(chǔ)環(huán)境\t228
4．2．1 Jupyter Notebook\t228
4．2．2 Numpy、Scipy、Matplotlib和pandas\t231
4．2．3 scikit-learn、gensim、TensorFlow和Keras\t250
4．3 Scala的基礎(chǔ)庫\t266
4．3．1 Zeppelin\t266
4．3．2 Breeze\t267
4．3．3 Spark MLlib\t276
4．4 本章小結(jié)\t281
參考資料\t282
第5章 機器學(xué)習(xí)實踐的金剛鉆\t283
5．1 簡介\t283
5．2 XGBoost\t284
5．3 Prediction IO（PIO）\t287
5．3．1 部署PIO\t287
5．3．2 機器學(xué)習(xí)模型引擎的開發(fā)\t294
5．3．3 機器學(xué)習(xí)模型引擎的部署\t296
5．3．4 PIO系統(tǒng)的優(yōu)化\t297
5．4 Caffe\t298
5．5 TensorFlow\t304
5．6 BigDL\t306
5．7 本章小結(jié)\t308
參考資料\t308
第6章 賬戶業(yè)務(wù)安全\t310
6．1 背景介紹\t310
6．2 賬戶安全保障\t312
6．2．1 注冊環(huán)節(jié)\t312
6．2．2 登錄環(huán)節(jié)\t314
6．3 聚類算法在賬戶安全中的應(yīng)用\t315
6．3．1 K-Means算法\t315
6．3．2 高斯混合模型（GMM）\t317
6．3．3 OPTICS算法和DBSCAN算法\t326
6．3．4 應(yīng)用案例\t331
6．4 本章小結(jié)\t334
參考資料\t334
第7章 平臺業(yè)務(wù)安全\t335
7．1 背景介紹\t335
7．2 電商平臺業(yè)務(wù)安全\t338
7．3 社交平臺業(yè)務(wù)安全\t343
7．4 復(fù)雜網(wǎng)絡(luò)算法在平臺業(yè)務(wù)安全中的應(yīng)用\t346
7．4．1 在電商平臺作弊團伙識別中的應(yīng)用\t346
7．4．2 在識別虛假社交關(guān)系中的應(yīng)用\t351
7．5 本章小結(jié)\t353
參考資料\t354
第8章 內(nèi)容業(yè)務(wù)安全\t355
8．1 背景介紹\t355
8．2 如何做好內(nèi)容業(yè)務(wù)安全工作\t357
8．2．1 面臨的挑戰(zhàn)\t357
8．2．2 部門協(xié)作\t358
8．2．3 技術(shù)體系\t359
8．3 卷積神經(jīng)網(wǎng)絡(luò)在內(nèi)容業(yè)務(wù)安全中的應(yīng)用\t361
8．3．1 人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network）\t361
8．3．2 深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network）\t367
8．3．3 卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network）\t379
8．3．4 應(yīng)用案例\t392
8．4 本章小結(jié)\t405
參考資料\t405
第9章 信息業(yè)務(wù)安全\t406
9．1 背景介紹\t406
9．2 反欺詐業(yè)務(wù)\t407
9．3 反爬蟲業(yè)務(wù)\t412
9．3．1 驗證問題的可分性\t412
9．3．2 提升模型效果\t413
9．4 循環(huán)神經(jīng)網(wǎng)絡(luò)在信息安全中的應(yīng)用\t414
9．4．1 原始RNN（Vanilla RNN）\t414
9．4．2 LSTM算法及其變種\t415
9．4．3 應(yīng)用案例\t419
9．5 本章小結(jié)\t429
參考資料\t430
第10章 信貸業(yè)務(wù)安全\t432
10．1 背景介紹\t432
10．2 信貸業(yè)務(wù)安全簡介\t434
10．3 分類算法在信貸業(yè)務(wù)安全中的應(yīng)用\t438
10．3．1 典型分類算法的介紹\t438
10．3．2 應(yīng)用案例：邏輯回歸模型在信貸中風(fēng)控階段的應(yīng)用\t463
10．4 本章小結(jié)\t468
參考資料\t469
第11章 業(yè)務(wù)安全系統(tǒng)技術(shù)架構(gòu)\t470
11．1 整體介紹\t470
11．2 平臺層\t471
11．3 數(shù)據(jù)層\t473
11．4 策略層\t474
11．5 服務(wù)層\t480
11．6 業(yè)務(wù)層\t481
11．7 本章小結(jié)\t484
參考資料\t484
第12章 總結(jié)與展望\t486
12．1 總結(jié)\t486
12．2 展望\t487
參考資料\t489
后記一 \t490
后記二 \t491
本書常見數(shù)學(xué)符號定義 \t492