機器學習｜工作現場的評估、導入與實作

第一章 推動機器學習專案的方法
1.1 機器學習都如何應用？
1.2 機器學習專案的流程
1.3 系統實際常見的機器學習問題與處理方法
1.4 如何成功打造機器學習的系統？

第二章 機器學習的功能
2.1 該選擇何種演算法？
2.2 分類
2.3 迴歸
2.4 集群、降維
2.5 其他

第三章 評估學習結果
3.1 分類的評估矩陣
3.2 迴歸的評估
3.3 將機器學習嵌入系統的A/B測試

第四章 在系統嵌入機器學習
4.1 讓機器學習嵌入系統的流程
4.2 系統設計
4.3 歷程設計

第五章 收集學習所需的資源
5.1 取得學習所需的資源的方法
5.2 使用公開的資料集或模型製作訓練資料
5.3 開發者自行建立訓練資料
5.4 請同事或朋友輸入資料，藉此建立訓練資料
5.5 透過群眾外包的方式建立訓練資料
5.6 在服務建立由使用者輸入的機制

第六章 效果驗證
6.1 效果驗證的概要
6.2 假設檢定的框架
6.3 假設檢定的注意事項
6.4 因果效果的推測
6.5 A/B 測試

第七章 打造電影推薦系統
7.1 劇本
7.2 進一步了解推薦系統
7.3 觀察MovieLens 的資料傾向
7.4 建置推薦系統
7.5 本章總結

第八章 Kickstarter的分析、不使用機器學習的選項
8.1 調查Kickstarter 的API
8.2 製作Kickstarter 的網路爬蟲
8.3 將JSON 資料轉換成CSV
8.4 在Excel 稍微瀏覽內容
8.5 利用樞紐分析表從各角度分析
8.6 觀察目標金額達成卻取消的專案
8.7 觀察各國情況
8.8 製作報表
8.9 今後預定事項
8.10 本章總結

第九章 利用Uplift Modeling 有效分配行銷資源
9.1 Uplift Modeling 的四象限
9.2 相當於A/B測試強化版的Uplift Modeling的概要
9.3 製作Uplift Modeling 所需的資料集
9.4 使用兩個預測模組的Uplift Modeling
9.5 Upift Modeling的評估方法AUUC
9.6 於實務問題的應用
9.7 如何於正式環境使用Uplift Modeling？

序

　　機械學習在軟體工程師之間，已是每天都會出現的詞彙。放眼全世界，也常聽到「人工智慧會搶走工作」、「不懂機器學習可不行」這類說法。會出現這種說法，是因為電腦打敗職業圍棋棋士，人們開始對人工智慧抱著莫大期待的緣故。在機器學習方面，處理大量資料的硬體持續進化，透過開源軟體使用最新演算法的Framework或函式庫的普及，也讓機器學習造成更大的影響。

　　隨著人們對機器學習的期待日益高漲，也有越來越多人希望我們「指導機械學習」。可喜的是，現在已有許多介紹機器學習Framework使用方法與撰寫方法的書籍或雜誌，原本不懂機械學習的軟體工程師也能更輕鬆地投入機械學習的世界。若能透過本書按部就班地學會這項解決問題的工具，那真的是作者無上的榮幸。