书籍介绍
与其说这是一本机器学习教材，不如说它是一份大厂技术团队的'内部工作切片'。它最打动人的地方，不在于讲了多少前沿算法，而在于诚实地呈现了'算法只是其中一个模块'这一现实——从Spark、Hadoop取数据，到特征清洗、样本选择、离线与在线计算、模型迭代上线，整套工程系统的协作才是服务落地的关键。书中大量真实业务细节格外珍贵：美团如何针对'90%交易发生在3公里内'的O2O场景设计多路召回，如何在商户ROI、用户长期体验、平台变现之间做三方利益平衡，又如何用AB测试与'小流量桶'观察广告对体验的长期影响。它适合想'管窥大厂玩法'、了解机器学习在实际业务中能做到什么程度的工程师与读者；若期待逐行可复现的实操代码，则需降低预期。
作者简介
美团算法团队由数百名优秀算法工程师组成，负责构建美团这个生活服务互联网大平台的“大脑”，涵盖搜索、推荐、广告、风控、机器学习、计算机视觉、语音、自然语言处理、智能调度、机器人和无人配送等多个技术方向，在帮助美团数亿活跃用户改善用户体验的同时，也帮助餐饮、酒店、婚庆、丽人、亲子等200多个行业的数百万商户提升运营效率。我们致力于通过算法和人工智能技术，帮大家吃得更好，活得更好。
AI导读
核心看点
- 涵盖美团搜索推荐广告风控等核心业务场景
- 详解特征工程模型融合及深度学习应用实践
- 展示工业界机器学习从数据到落地的全流程
读者共识
- 适合扩展眼界，了解大厂技术架构与思路
- 干货相对较少，深度不足，偏科普性质
- 各章节质量参差不齐，部分读者评价一般
精彩摘录
- "用户画像：人口属性、兴趣偏好、特征人群、用户分级、LBS、业务标签、用户行为"
- "搜索：query→分词→倒排索引→文档集合 查询理解： 1.意图识别。分类、聚类、主题建模。具体场景具体分析，美团先识别所属业务(分类)、再识别具体成分(实体识别)。无法确认的意图就都召回给用户去选择。 2.实体识别。IOB2格式、识别地址、机构等。 3.召回。query的不同成分对应到不同索引域 4.查询改写。替换(同义词、缩写词，人工审核)，删除、扩展、对齐。整串改写：Session挖掘、二部图挖掘。LDA。 5.词权重计算。TF-IDF、规则打分、基于统计学习。用户点击共现做样本训练词权模型。去词：无结果的相关推荐、触发二次查询(伴有提示，增加用户接受度)。 6.相关性。品类名称做召回、"
- "比较有意思的是：场景化排序。 排序主要用MAP，AUC不太能反应排序的好坏。"
- "O2O地理位置所以：KD-Tree、GeoHash、热门商圈、城市 多路召回：位置、搜索、图、实时行为、热门。 多路召回合并：分级+调比例 评价指标：信息维度、交易维度、体验维度"
- "O2O场景： 1. 移动化。位置精确、及时推送、互动多样。 2. 本地化。90%以上的交易中用户商户距离小于3km。 3. 场景化。场景更加具体，移动设备与单个用户绑定、时空都很明确。 4. 多样性。商户服务的多样性。 三方利益平衡： 1. 商户。ROI=广告收益/广告投入 2. 用户。短期指标：ctr、cvr，长期指标：回访率、复购率。不出广告的小流量桶用于观察广告对用户体验长期的影响。 3. 平台。流量变现效率：RPM、RPS。广告收入=曝光次数*ctr*cpc=广告主数*ARPU。约束是商户利益、用户体验：商户数、预算、流量。 广告机制： 1.广告位设定。确定多种方案，然后通过AB测试决"
- "深度学习∈表示学习∈机器学习∈AI 1. 第一阶段1943-1986 a.1943年，心理学家W.S.McCulloch和数理逻辑学家W.Pitts提出人工神经元模型MCP=加权求和+二值激活函数 b.1957年，Rosenblatt发明Perceptron=MCP+梯度下降 c.1969年，Minsky证明Perceptron是线性模型 2. 第二阶段1986-2006 a.1986年，Hinton发明MLP和BP算法 b.1990年，SVM火起来了，MLP和BP的梯度消失等问题没有解决 3. 第三阶段2006至今 a.2006年，Hinton提出DMB，解决了梯度消失问题 b.2012年，"
- "并行编程技术： 1.向量化、OpenMP。单机 2.GPU(CUDA)。 3.MPI。多机 并行计算模型： 1.BSP，同步，凸优化收敛性保障，效率低。Xgboost的Rabit 2.SSP，放宽Bound，收敛性与效率减做平衡，凸优化收敛性有保障 3.ASP，异步，计算迭代效率高，有时收敛性无法保障 4.PS，异步、宽松的一致性、延迟小、效率高，有收敛性保障，扩展性好，并行化容易。但只适用于SGD以及其变种优化算法。MXNet的PS-lite"
目录
用户评论
浮光掠影，对大公司机器学习技术平台系统感兴趣的可以翻一翻，不具有实操性~
有收获，但自己能力还打不到读懂的水平
信息量比较大，干货很多。
适合扩展眼界思路，总体内容比较浅，各章水平参差不齐。
很有干货的一本书
离开开水团前，赶紧抓紧时间，对照书和真实实践学习了一下这本书，业界真实的落地经验，很有借鉴意义
浮光掠影的了解了解美团的应用
很难得的有一本跟应用强结合的书，有很多真实工作中的案例，感觉是一个有技术又能落地的好团队. 由此我内心对我的美团股票定价又加了一点分 确实也涨得很好 我很高兴.
对于机器学习的初学者还是有价值的，但是对于有经验的人，价值就非常有限了，书中呈现的方案，一不是业界前沿方案，二也没有和能深入的业务场景分析，这也导致，这本书读起来挺无聊的
下载
收藏