本书PDF版链接：https://pan.baidu.com/s/1_Fblc4AfKgOMc-jd9flI8A 提取码：obwe
第一章：问题建模
ps:注意精准率与准确率是有区别的，PR曲线越靠右上角越好，ROC曲线越靠坐标的左上角越好，AUC的值越大（接近1）越好。
第二章：特征工程
特征工程与模型二者有时候是此消彼长的，复杂模型在一定程度上减少特征工程需要做的工作。例如：对于线性模型，需要将类别变量进行独热编码等处理。但是对于复杂一些的模型，比如树模型，可以直接处理类别变量。对更复杂的深度学习，模型可以自动进行特征表示；再例如：数值特征，对于线性回归、逻辑回归等，其对输入特征的大小很敏感，对于这种光滑函数建模，需要数值特征归一化处理。而对于随机森林、梯度提升树就没必要归一化了。因此，以上讲的特征工程处理有时候要依据模型而言。
特征选择中的过滤方法不需要结合机器学习算法（模型），封装方法直接使用机器学习算法评估特征子集的效果。过滤方法不需要机器学习算法验证，效率高简单；封装方法使用预先定义的机器学习算法评估特征选取的质量，效率低；嵌入方法说白了感觉就是在模型中进行特征选择，也就是将特征选择、机器学习算法、模型效果全融合一起。使用工具包，书中有介绍。
第三章：常用模型
第二部分，好像不是SVM，场感知因子分解机（没怎么看）。第三部分，梯度提升树（GBDT），详细一点看这。书中有GBDT与XGBOOST的简单公式推导。
第四章：模型融合
其实我感觉集成学习算法就是模型的融合。集成学习中主要分为：Bagging（并行）和 Boosting (串行)。模型融合肯定要求模型不同，相同则没有意义，这里的不同要么是用不同的算法，要么是相同算法，但是输入不同。粗浅的感觉，stacking与Bagging类似，Bagging是并行，将不同分类（回归）器的结果进行融合后输出。stacking比它多一步，不是将不同分类器的结果融合，而是再经过一个分类器后输出。
以上是此书的第一部分，算是基础，下面5-7章是第二部分，数据挖掘。
第五章：用户画像
用户画像就是根据有关你的数据，对你贴这种标签。标签得来大致有两种：一，经过对大数据统计分析得；二，通过机器学习训练模型(此书介绍的是这种)。书中5.2.1数据挖掘整体架构可以看看，介绍了美团的实际的大致操作过程。
第六章：POI实体链接
第七章：评论挖掘
题外话，好像网页版美团里的酒店看不到用户评价标签，手机版可以。
第三部分是搜索与推荐，从第8章到第10章。
第八章：O2O场景下的查询理解与用户引导
第九章：O2O场景下排序的特点
第十章：推荐在O2O场景中的应用
第四部分：计算广告，从第十一章到第十二章。
第十一章：O2O场景下的广告营销
第十二章：用户偏好和损失建模
第五部分：深度学习，从第13章到第14章
第十三章：深度学习概述
第十四章：深度学习在文本领域的应用
