《**系统实战宝典》主要围绕**系统进行讲解，全面介绍了掌握**系统技术所需要学习的算法及步骤。书中描述了基于点击率评估、RBM的**，基于标签的**，基于用户行为、内容、模型、流行度、邻域、图的**，以及基于上下文的**，还有使用自然语言处理或者矩阵分解的**，包括算法原理的介绍，对于每一种**方式也做了细粒度的分析及场景化的应用。还分享了作者在实际应用中的解决方案及扩展思路。除此之外，本书还会涉及一些基础算法及数学知识，并且包括对于**算法的一些模型评估以及校验的描述。阅读本书可以帮助读者学习基础算法和**算法的原理及实际应用，同时还能学习到**系统开发的设计思想、设计模式、开发流程等。这些对于读者全面提高自己的**系统开发水平有很大的帮助。 《**系统实战宝典》为读者提供了全部案例源代码下载和超过1100分钟的高清学习视频，读者可直接扫描二维码观看。 《**系统实战宝典》适合从事**系统相关领域研发的人员、高年级本科生或研究生、热衷于**系统开发的读者阅读。

第1部分 **系统介绍篇 第1章 **系统概述／2 1.1 什么是**系统／2 1.2 **系统的架构／3 1.3 **系统架构治理／4 1.4 **引擎的架构／5 1.5 **系统的应用／9 1.5.1 电��和视频网站／9 1.5.2 个性化音乐电台／10 1.5.3 个性化广告及搜索广告／10 1.5.4 多业务融合**策略实践与思考／11 1.6 **系统评测／11 1.6.1 **系统实验方法／12 1.6.2 评测指标／13 1.6.3 评测维度／14 1.7 **系统知识储备／14 第2部分 **系统基础篇 第2章 机器学习准备工作／16 2.1 机器学习绪论／18 2.1.1 数据积累／18 2.1.2 特征（过滤法、包装法、嵌入法）／18 2.1.3 模型的不可解释性／22 2.2 数学基础知识／23 2.2.1 微积分／23 2.2.2 统计学／29 2.2.3 线性代数／35 2.2.4 信息论基础／36 2.2.5 凸优化／37 2.3 Python编程／39 第3章 机器学习基础——让**系统更懂你／49 3.1 贝叶斯分类器／49 3.1.1 贝叶斯决策论／53 3.1.2 大似然估计／57 3.1.3 EM算法／59 3.1.4 垃圾邮件过滤实战／62 3.2 决策树／65 3.3 支持向量机（SVM）／70 3.3.1 SVM介绍／70 3.3.2 半监督SVM／71 3.4 KNN算法／71 3.5 线性回归／73 3.6 逻辑回归／77 3.7 Spark MLlib／79 3.7.1 Spark MLlib简介／79 3.7.2 Spark MLlib矩阵计算／80 3.7.3 Spark MLlib实现分类算法／81 3.7.4 Spark MLlib实现回归算法／81 3.7.5 Spark MLlib实现聚类算法／82 3.8 聚类任务／82 3.8.1 k均值聚类算法／82 3.8.2 高斯混合聚类／85 第3部分 **系统进阶篇 第4章 基于点击率预估、RBM的**／94 4.1 传统**算法的局限和应用／94 4.1.1 传统**算法的局限／94 4.1.2 传统**算法的应用／95 4.1.3 点击率预估在**系统中的应用／95 4.2 集成学习（Ensemble Learning）／95 4.2.1 GBDT／96 4.2.2 XgBoost／97 4.2.3 Bagging与随机森林／98 4.3 实例：基于RBM的**算法／102 第5章 基于标签的**／104 5.1 基于标签系统的应用／104 5.2 数据标注与关键词提取／104 5.2.1 **系统中的数据标注／104 5.2.2 **系统中的关键词提取／105 5.2.3 标签的分类／106 5.3 基于标签的**系统／106 5.3.1 标签评分算法／106 5.3.2 标签评分算法改进／107 5.3.3 标签基因／107 5.3.4 用户兴趣建模／107 5.4 实例：使用标签**算法实现艺术家的**／108 5.4.1 了解实现思路／108 5.4.2 准备数据／108 5.4.3 选择算法／109 5.4.4 模型训练／109 5.4.5 效果评估／110 第6章 **算法／112 6.1 基于内容的**算法／112 6.2 基于用户行为特征的**算法／113 6.2.1 User-Based CF详解及优化／114 6.2.2 Item-Based CF详解及优化／115 6.2.3 融合Match中协同过滤思想的深度排序模型／116 6.3 基于模型的**算法／117 6.4 基于流行度的**算法／118 6.5 混合算法／119 6.6 基于图的模型／120 6.6.1 用户行为数据的二分图表示／120 6.6.2 基于图的**算法／121 6.7 基于社交网络的**／121 6.7.1 基于邻域的社会化**算法／121 6.7.2 基于图的社会化**算法／122 6.8 Slope-one**算法／122 6.9 基于DNN的**算法介绍／123 6.10 基于TF实现稀疏自编码和在**中的应用／124 6.11 联邦**算法及应用／127 第7章 **系统冷启动及召回方法／131 7.1 冷启动问题简介／131 7.2 选择合适的物品启动用户的兴趣／131 7.3 利用物品的内容信息／132 7.4 Multi-View DNN模型解决用户冷启动／132 第4部分 **系统强化篇 第8章 基于上下文的**／134 8.1 基于时间特征的**／134 8.1.1 时间效应介绍／134 8.1.2 **系统的实时性／135 8.1.3 协同过滤中的时间因子／135 8.2 实例：增加时间衰减函数的协同过滤算法／136 8.2.1 在UserCF算法中增加时间衰减函数／136 8.2.2 在ItemCF算法中增加时间衰减函数／137 第9章 文本处理／139 9.1 Word2Vec／139 9.1.1 Word2Vec简介／139 9.1.2 词向量／141 9.1.3 分层优化语言模型／147 9.1.4 连续词袋模型／147 9.2 fastText／150 9.2.1 模型架构／150 9.2.2 层次Softmax／151 9.2.3 N-Gram子词特征／151 9.2.4 fastText和Word2Vec的区别／152 9.2.5 使用fastText分类／152 9.3 Gensim／154 9.3.1 Gensim基本概念／154 9.3.2 Gensim的安装及简单使用／154 9.3.3 主题向量的转化：TF-IDF（词频逆文档频率）／156 9.3