相關商品
商品簡介
目次
商品簡介
互聯網產業正在從IT時代邁入DT時代(數據時代)，同時互聯網產業的繁榮也催生了黑灰產這樣的群體。那麼，在數據時代應該如何應對互聯網業務安全威脅？機器學習技術在互聯網業務安全領域的應用正是答案。本書首先從機器學習技術的原理入手，自成體系地介紹了機器學習的基礎知識，從數學的角度揭示了算法模型背後的基本原理；然後介紹了互聯網業務安全所涉及的重要業務場景，以及機器學習技術在這些場景中的應用實踐；最後介紹了如何應用互聯網技術棧來建設業務安全技術架構。作者根據多年的一線互聯網公司從業經驗給出了很多獨到的見解，供讀者參考。本書既適合機器學習從業者作為入門參考書，也適合互聯網業務安全從業者學習黑灰產對抗手段，幫助他們做到知己知彼，瞭解如何應用機器學習技術來提高與黑灰產對抗的能力。
目次
第1章 互聯網業務安全簡述 1
1.1 互聯網業務安全現狀 1
1.2 如何應對挑戰 4
1.3 本章小結 6
參考資料 6
第2章 機器學習入門 8
2.1 相似性 9
2.1.1 範數 9
2.1.2 度量 12
2.2 矩陣 20
2.2.1 線性空間 20
2.2.2 線性算子 24
2.3 空間 33
2.3.1 內積空間 33
2.3.2 歐幾裡得空間(Euclid space) 34
2.3.3 酉空間 37
2.3.4 賦範線性空間 38
2.3.5 巴拿赫空間 39
2.3.6 希爾伯特空間 43
2.3.7 核函數 44
2.4 機器學習中的數學結構 46
2.4.1 線性結構與非線性結構 46
2.4.2 圖論基礎 47
2.4.3 樹 56
2.4.4 神經網絡 62
2.4.5 深度網絡結構 80
2.4.6 小結 95
2.5 統計基礎 96
2.5.1 貝葉斯統計 96
2.5.2 共軛先驗分佈 99
2.6 策略與算法 106
2.6.1 凸優化的基本概念 106
2.6.2 對偶原理 120
2.6.3 非線性規劃問題的解決方法 129
2.6.4 無約束問題的最優化方法 134
2.7 機器學習算法應用的經驗 145
2.7.1 如何定義機器學習目標 145
2.7.2 如何從數據中獲取最有價值的信息 149
2.7.3 評估模型的表現 154
2.7.4 測試效果遠差於預期怎麼辦 156
2.8 本章小結 159
參考資料 160
第3章 模型 163
3.1 基本概念 163
3.2 模型評價指標 166
3.2.1 混淆矩陣 167
3.2.2 分類問題的基礎指標 167
3.2.3 ROC曲線與AUC 171
3.2.4 基尼係數 173
3.2.5 回歸問題的評價指標 175
3.2.6 交叉驗證 175
3.3 回歸算法 177
3.3.1 最小二乘法 177
3.3.2 脊回歸 181
3.3.3 Lasso回歸線性模型 181
3.3.4 多任務Lasso 181
3.3.5 L1、L2正則雜談 182
3.4 分類算法 183
3.4.1 CART算法 183
3.4.2 支持向量機 186
3.5 降維 188
3.5.1 貝葉斯網絡 189
3.5.2 主成分分析 195
3.6 主題模型LDA 198
3.6.1 馬爾可夫鏈蒙特卡羅法 198
3.6.2 貝葉斯網絡與生成模型 199
3.6.3 學習方法在LDA中的應用 206
3.7 集成學習方法(Ensemble Method) 215
3.7.1 Boosting方法 216
3.7.2 Bootstrap Aggregating方法 220
3.7.3 Stacking方法 221
3.7.4 小結 222
參考資料 223
第4章 機器學習實踐的基礎包 226
4.1 簡介 226
4.2 Python機器學習基礎環境 228
4.2.1 Jupyter Notebook 228
4.2.2 Numpy、Scipy、Matplotlib和pandas 231
4.2.3 scikit-learn、gensim、TensorFlow和Keras 250
4.3 Scala的基礎庫 266
4.3.1 Zeppelin 266
4.3.2 Breeze 267
4.3.3 Spark MLlib 276
4.4 本章小結 281
參考資料 282
第5章 機器學習實踐的金剛鑽 283
5.1 簡介 283
5.2 XGBoost 284
5.3 Prediction IO(PIO) 287
5.3.1 部署PIO 287
5.3.2 機器學習模型引擎的開發 294
5.3.3 機器學習模型引擎的部署 296
5.3.4 PIO系統的優化 297
5.4 Caffe 298
5.5 TensorFlow 304
5.6 BigDL 306
5.7 本章小結 308
參考資料 308
第6章 賬戶業務安全 310
6.1 背景介紹 310
6.2 賬戶安全保障 312
6.2.1 註冊環節 312
6.2.2 登錄環節 314
6.3 聚類算法在賬戶安全中的應用 315
6.3.1 K-Means算法 315
6.3.2 高斯混合模型(GMM) 317
6.3.3 OPTICS算法和DBSCAN算法 326
6.3.4 應用案例 331
6.4 本章小結 334
參考資料 334
第7章 平臺業務安全 335
7.1 背景介紹 335
7.2 電商平臺業務安全 338
7.3 社交平臺業務安全 343
7.4 複雜網絡算法在平臺業務安全中的應用 346
7.4.1 在電商平臺作弊團夥識別中的應用 346
7.4.2 在識別虛假社交關係中的應用 351
7.5 本章小結 353
參考資料 354
第8章 內容業務安全 355
8.1 背景介紹 355
8.2 如何做好內容業務安全工作 357
8.2.1 面臨的挑戰 357
8.2.2 部門協作 358
8.2.3 技術體系 359
8.3 卷積神經網絡在內容業務安全中的應用 361
8.3.1 人工神經網絡(Artificial Neural Network) 361
8.3.2 深度神經網絡(Deep Neural Network) 367
8.3.3 卷積神經網絡(Convolutional Neural Network) 379
8.3.4 應用案例 392
8.4 本章小結 405
參考資料 405
第9章 信息業務安全 406
9.1 背景介紹 406
9.2 反欺詐業務 407
9.3 反爬蟲業務 412
9.3.1 驗證問題的可分性 412
9.3.2 提升模型效果 413
9.4 循環神經網絡在信息安全中的應用 414
9.4.1 原始RNN(Vanilla RNN) 414
9.4.2 LSTM算法及其變種 415
9.4.3 應用案例 419
9.5 本章小結 429
參考資料 430
第10章 信貸業務安全 432
10.1 背景介紹 432
10.2 信貸業務安全簡介 434
10.3 分類算法在信貸業務安全中的應用 438
10.3.1 典型分類算法的介紹 438
10.3.2 應用案例：邏輯回歸模型在信貸中風控階段的應用 463
10.4 本章小結 468
參考資料 469
第11章 業務安全系統技術架構 470
11.1 整體介紹 470
11.2 平臺層 471
11.3 數據層 473
11.4 策略層 474
11.5 服務層 480
11.6 業務層 481
11.7 本章小結 484
參考資料 484
第12章 總結與展望 486
12.1 總結 486
12.2 展望 487
參考資料 489
後記一 490
後記二 491
本書常見數學符號定義 492
1.1 互聯網業務安全現狀 1
1.2 如何應對挑戰 4
1.3 本章小結 6
參考資料 6
第2章 機器學習入門 8
2.1 相似性 9
2.1.1 範數 9
2.1.2 度量 12
2.2 矩陣 20
2.2.1 線性空間 20
2.2.2 線性算子 24
2.3 空間 33
2.3.1 內積空間 33
2.3.2 歐幾裡得空間(Euclid space) 34
2.3.3 酉空間 37
2.3.4 賦範線性空間 38
2.3.5 巴拿赫空間 39
2.3.6 希爾伯特空間 43
2.3.7 核函數 44
2.4 機器學習中的數學結構 46
2.4.1 線性結構與非線性結構 46
2.4.2 圖論基礎 47
2.4.3 樹 56
2.4.4 神經網絡 62
2.4.5 深度網絡結構 80
2.4.6 小結 95
2.5 統計基礎 96
2.5.1 貝葉斯統計 96
2.5.2 共軛先驗分佈 99
2.6 策略與算法 106
2.6.1 凸優化的基本概念 106
2.6.2 對偶原理 120
2.6.3 非線性規劃問題的解決方法 129
2.6.4 無約束問題的最優化方法 134
2.7 機器學習算法應用的經驗 145
2.7.1 如何定義機器學習目標 145
2.7.2 如何從數據中獲取最有價值的信息 149
2.7.3 評估模型的表現 154
2.7.4 測試效果遠差於預期怎麼辦 156
2.8 本章小結 159
參考資料 160
第3章 模型 163
3.1 基本概念 163
3.2 模型評價指標 166
3.2.1 混淆矩陣 167
3.2.2 分類問題的基礎指標 167
3.2.3 ROC曲線與AUC 171
3.2.4 基尼係數 173
3.2.5 回歸問題的評價指標 175
3.2.6 交叉驗證 175
3.3 回歸算法 177
3.3.1 最小二乘法 177
3.3.2 脊回歸 181
3.3.3 Lasso回歸線性模型 181
3.3.4 多任務Lasso 181
3.3.5 L1、L2正則雜談 182
3.4 分類算法 183
3.4.1 CART算法 183
3.4.2 支持向量機 186
3.5 降維 188
3.5.1 貝葉斯網絡 189
3.5.2 主成分分析 195
3.6 主題模型LDA 198
3.6.1 馬爾可夫鏈蒙特卡羅法 198
3.6.2 貝葉斯網絡與生成模型 199
3.6.3 學習方法在LDA中的應用 206
3.7 集成學習方法(Ensemble Method) 215
3.7.1 Boosting方法 216
3.7.2 Bootstrap Aggregating方法 220
3.7.3 Stacking方法 221
3.7.4 小結 222
參考資料 223
第4章 機器學習實踐的基礎包 226
4.1 簡介 226
4.2 Python機器學習基礎環境 228
4.2.1 Jupyter Notebook 228
4.2.2 Numpy、Scipy、Matplotlib和pandas 231
4.2.3 scikit-learn、gensim、TensorFlow和Keras 250
4.3 Scala的基礎庫 266
4.3.1 Zeppelin 266
4.3.2 Breeze 267
4.3.3 Spark MLlib 276
4.4 本章小結 281
參考資料 282
第5章 機器學習實踐的金剛鑽 283
5.1 簡介 283
5.2 XGBoost 284
5.3 Prediction IO(PIO) 287
5.3.1 部署PIO 287
5.3.2 機器學習模型引擎的開發 294
5.3.3 機器學習模型引擎的部署 296
5.3.4 PIO系統的優化 297
5.4 Caffe 298
5.5 TensorFlow 304
5.6 BigDL 306
5.7 本章小結 308
參考資料 308
第6章 賬戶業務安全 310
6.1 背景介紹 310
6.2 賬戶安全保障 312
6.2.1 註冊環節 312
6.2.2 登錄環節 314
6.3 聚類算法在賬戶安全中的應用 315
6.3.1 K-Means算法 315
6.3.2 高斯混合模型(GMM) 317
6.3.3 OPTICS算法和DBSCAN算法 326
6.3.4 應用案例 331
6.4 本章小結 334
參考資料 334
第7章 平臺業務安全 335
7.1 背景介紹 335
7.2 電商平臺業務安全 338
7.3 社交平臺業務安全 343
7.4 複雜網絡算法在平臺業務安全中的應用 346
7.4.1 在電商平臺作弊團夥識別中的應用 346
7.4.2 在識別虛假社交關係中的應用 351
7.5 本章小結 353
參考資料 354
第8章 內容業務安全 355
8.1 背景介紹 355
8.2 如何做好內容業務安全工作 357
8.2.1 面臨的挑戰 357
8.2.2 部門協作 358
8.2.3 技術體系 359
8.3 卷積神經網絡在內容業務安全中的應用 361
8.3.1 人工神經網絡(Artificial Neural Network) 361
8.3.2 深度神經網絡(Deep Neural Network) 367
8.3.3 卷積神經網絡(Convolutional Neural Network) 379
8.3.4 應用案例 392
8.4 本章小結 405
參考資料 405
第9章 信息業務安全 406
9.1 背景介紹 406
9.2 反欺詐業務 407
9.3 反爬蟲業務 412
9.3.1 驗證問題的可分性 412
9.3.2 提升模型效果 413
9.4 循環神經網絡在信息安全中的應用 414
9.4.1 原始RNN(Vanilla RNN) 414
9.4.2 LSTM算法及其變種 415
9.4.3 應用案例 419
9.5 本章小結 429
參考資料 430
第10章 信貸業務安全 432
10.1 背景介紹 432
10.2 信貸業務安全簡介 434
10.3 分類算法在信貸業務安全中的應用 438
10.3.1 典型分類算法的介紹 438
10.3.2 應用案例：邏輯回歸模型在信貸中風控階段的應用 463
10.4 本章小結 468
參考資料 469
第11章 業務安全系統技術架構 470
11.1 整體介紹 470
11.2 平臺層 471
11.3 數據層 473
11.4 策略層 474
11.5 服務層 480
11.6 業務層 481
11.7 本章小結 484
參考資料 484
第12章 總結與展望 486
12.1 總結 486
12.2 展望 487
參考資料 489
後記一 490
後記二 491
本書常見數學符號定義 492
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。