機(jī)器學(xué)習(xí)互聯(lián)網(wǎng)業(yè)務(wù)安全實(shí)踐

定　價(jià)：￥128.00

作　者：	王帥
出版社：	電子工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買這本書(shū)可以去

京東 (￥128.00)

ISBN：	9787121355684	出版時(shí)間：	2019-09-01	包裝：
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	512	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　互聯(lián)網(wǎng)產(chǎn)業(yè)正在從IT時(shí)代邁入DT時(shí)代（數(shù)據(jù)時(shí)代），同時(shí)互聯(lián)網(wǎng)產(chǎn)業(yè)的繁榮也催生了黑灰產(chǎn)這樣的群體。那么，在數(shù)據(jù)時(shí)代應(yīng)該如何應(yīng)對(duì)互聯(lián)網(wǎng)業(yè)務(wù)安全威脅？機(jī)器學(xué)習(xí)技術(shù)在互聯(lián)網(wǎng)業(yè)務(wù)安全領(lǐng)域的應(yīng)用正是答案。本書(shū)首先從機(jī)器學(xué)習(xí)技術(shù)的原理入手，自成體系地介紹了機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí)，從數(shù)學(xué)的角度揭示了算法模型背后的基本原理；然后介紹了互聯(lián)網(wǎng)業(yè)務(wù)安全所涉及的重要業(yè)務(wù)場(chǎng)景，以及機(jī)器學(xué)習(xí)技術(shù)在這些場(chǎng)景中的應(yīng)用實(shí)踐；最后介紹了如何應(yīng)用互聯(lián)網(wǎng)技術(shù)棧來(lái)建設(shè)業(yè)務(wù)安全技術(shù)架構(gòu)。作者根據(jù)多年的一線互聯(lián)網(wǎng)公司從業(yè)經(jīng)驗(yàn)給出了很多獨(dú)到的見(jiàn)解，供讀者參考。本書(shū)既適合機(jī)器學(xué)習(xí)從業(yè)者作為入門參考書(shū)，也適合互聯(lián)網(wǎng)業(yè)務(wù)安全從業(yè)者學(xué)習(xí)黑灰產(chǎn)對(duì)抗手段，幫助他們做到知己知彼，了解如何應(yīng)用機(jī)器學(xué)習(xí)技術(shù)來(lái)提高與黑灰產(chǎn)對(duì)抗的能力。

作者簡(jiǎn)介

　　王帥，花名“蓮華”，美麗聯(lián)合集團(tuán)（蘑菇街）安全部風(fēng)控算法技術(shù)負(fù)責(zé)人。2015年初加入蘑菇街，主要負(fù)責(zé)風(fēng)控相關(guān)的反作弊算法，從無(wú)到有搭建了電商平臺(tái)的風(fēng)控策略架構(gòu)體系，主要研究方向是基于機(jī)器學(xué)習(xí)的風(fēng)控算法策略。吳哲夫，本科就讀于山東大學(xué)，研究生就讀于北京大學(xué)，曾在微軟亞洲研究院實(shí)習(xí)，畢業(yè)后就職于阿里巴巴（北京），現(xiàn)供職于美麗聯(lián)合集團(tuán)。

圖書(shū)目錄

第1章互聯(lián)網(wǎng)業(yè)務(wù)安全簡(jiǎn)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(duì)挑戰(zhàn)\t4
1．3 本章小結(jié)\t6
參考資料\t6
第2章機(jī)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(jī)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(shù)\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(jì)基礎(chǔ)\t96
2．5．1 貝葉斯統(tǒng)計(jì)\t96
2．5．2 共軛先驗(yàn)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(duì)偶原理\t120
2．6．3 非線性規(guī)劃問(wèn)題的解決方法\t129
2．6．4 無(wú)約束問(wèn)題的最優(yōu)化方法\t134
2．7 機(jī)器學(xué)習(xí)算法應(yīng)用的經(jīng)驗(yàn)\t145
2．7．1 如何定義機(jī)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(jià)值的信息\t149
2．7．3 評(píng)估模型的表現(xiàn)\t154
2．7．4 測(cè)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(píng)價(jià)指標(biāo)\t166
3．2．1 混淆矩陣\t167
3．2．2 分類問(wèn)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(wèn)題的評(píng)價(jià)指標(biāo)\t175
3．2．6 交叉驗(yàn)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(jī)\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(jī)器學(xué)習(xí)實(shí)踐的基礎(chǔ)包\t226
4．1 簡(jiǎn)介\t226
4．2 Python機(jī)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(kù)\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(jī)器學(xué)習(xí)實(shí)踐的金剛鉆\t283
5．1 簡(jiǎn)介\t283
5．2 XGBoost\t284
5．3 Prediction IO（PIO）\t287
5．3．1 部署PIO\t287
5．3．2 機(jī)器學(xué)習(xí)模型引擎的開(kāi)發(fā)\t294
5．3．3 機(jī)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(cè)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(tái)業(yè)務(wù)安全\t335
7．1 背景介紹\t335
7．2 電商平臺(tái)業(yè)務(wù)安全\t338
7．3 社交平臺(tái)業(yè)務(wù)安全\t343
7．4 復(fù)雜網(wǎng)絡(luò)算法在平臺(tái)業(yè)務(wù)安全中的應(yīng)用\t346
7．4．1 在電商平臺(tái)作弊團(tuán)伙識(shí)別中的應(yīng)用\t346
7．4．2 在識(shí)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(chóng)業(yè)務(wù)\t412
9．3．1 驗(yàn)證問(wèn)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(jiǎn)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(tái)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(shū)常見(jiàn)數(shù)學(xué)符號(hào)定義 \t492