对于软件工程师，机器学习已经成为了一种常用术语。有贺康顕、中山心太、西林孝著刘继红译的《机器学习应用系统设计》从“实用”的观点，介绍了如何将机器学习或数据分析的方法和工具应用到实际工作中，以及如何推进仍具有高度不确定性的机器学习项目等方法。本书主要围绕项目启动、系统构成、学习资源收集等经常关注的实践性问题进行阐述。如果你想做出些有显示度的人工智能应用系统的话，从本书学到的知识一定能够发挥积极的作用。

前言
第一部分
第1章 机器学习项目流程
1.1 如何利用机器学习
1.2 机器学习项目的流程
1.3 实际系统中的机器学习问题的处理方法
1.4 机器学习系统的成功要素
1.5 小结
第2章 机器学习的用途
2.1 算法选择
2.2 分类
2.3 回归
2.4 聚类与降维
2.5 其他
2.6 小结
第3章 学习结果的评价
3.1 分类的评价矩阵
3.2 回归的评价
3.3 机器学习系统的A／B测试
3.4 小结
第4章 机器学习系统的开发
4.1 机器学习系统的开发流程
4.2 系统设计
4.3 日志设计
4.4 小结
第5章 机器学习资源的收集
5.1 机器学习资源的获取
5.2 利用公开的数据集或模型
5.3 开发者自己创建训练数据
5.4 他人帮忙输入数据
5.5 数据创建众包
5.6 基于服务的用户输入
5.7 小结
第6章 效果验证
6.1 效果验证概述
6.2 假设检验的框架
6.3 假设检验的注意事项
6.4 因果效应的推断
6.5 A／B测试
6.6 小结
第二部分
第7章 电影推荐系统
7.1 概述
7.2 推荐系统功能
7.3 MovieLens的数据趋势
7.4 推荐系统的开发
7.5 小结
第8章 Kickstarter的数据分析
8.1 Kickstarter的API
8.2 Kickstarter的网络爬虫
8.3 数据变换
8.4 浏览Excel数据
8.5 数据透视表
8.6 达成目标却被取消的项目
8.7 国别的项目分析
8.8 形成分析报告
8.9 进一步的工作
8.10 小结
第9章 基于Uplift Modeling的营销资源效率分析
9.1 UpIiftModeling的四象限分区
9.2 扩展A／B测试的uplift Modeling的概要
9.3 UpIift Modeling的数据集生成
9.4 利用两个预测模型的Uplift Modeling
9.5 Uplift Modeling的评价方法
9.6 实际应用
9.7 实际应用Uplift Modeling的相关事项
9.8 小结
参考文献
后记
致谢