作品简介

本书作者依据在Google、Facebook、新浪微博及滴滴出行等中美一流互联网公司的实际工作经历,对算法技术、数据技术,以及围绕它们进行的技术中台建设实践进行了全面的探讨,并在此基础上对信息流推荐、计算广告及智能出行等核心互联网业务进行了案例剖析。本书具有广阔的技术视野,内容颇具深度,既适合互联网行业的技术从业者阅读,也适合计算机相关专业的高年级本科生、研究生阅读。通过阅读本书,读者能加深对机器学习、深度学习、大数据、分布式系统及技术中台等相关领域的认知与理解,并从中获得一定的启发和可借鉴的经验。

詹盈,本科毕业于南京大学,后赴美攻读计算机博士学位。先后就职于Google、Facebook以及新浪微博,历任主任架构师、算法总监等职位。长期致力于机器学习算法、算法工程平台和大规模个性化系统等方向的技术研究以及团队管理工作,对推荐系统、计算广告、大数据和云计算等相关业务领域有着长期深入的工作经验和成功实践。

郑旭飞,先后就职于360搜索、滴滴出行以及新浪微博,历任算法专家和资深工程师等职位,对搜索、推荐、广告等个性化系统以及机器学习平台有着丰富的实践经验。

刘畅宇,美国哥伦比亚大学计算机硕士学位,先后就职于彭博社和新浪微博并担任资深架构师等职位,对金融交易系统、计算广告平台以及大规模分布式系统有着深刻理解和成功经验。

郝忠秀,新浪微博广告基础架构负责人,对大规模分布式系统、海量数据存储系统、大数据平台以及计算广告等相关领域有着长期工作经验和诸多成功实践。

作品目录

  • 内容简介
  • 推荐语(按姓氏笔画排序)
  • 推荐序
  • 前言
  • 第1章 算法与数据中台概述
  • 1.1 中台的背景和意义
  • 1.2 算法与数据中台的功能价值
  • 1.3 算法与数据中台的技术体系
  • 1.4 算法与数据中台的实践场景
  • 1.5 算法与数据中台的应用前景
  • 1.6 本章总结
  • 第2章 中台技术之基础设施
  • 2.1 研发效率系统
  • 2.2 服务通信系统
  • 2.3 监控报警系统
  • 2.4 链路跟踪系统
  • 2.5 本章总结
  • 第3章 中台技术之在线算法系统
  • 3.1 物料检索系统
  • 3.2 模型预估服务
  • 3.3 策略机制引擎
  • 3.4 集群管理平台
  • 3.5 效果评估系统
  • 3.6 本章总结
  • 第4章 中台技术之机器学习平台
  • 4.1 机器学习平台简介
  • 4.2 传统机器学习算法
  • 4.3 深度学习算法
  • 4.4 模型框架基本原理
  • 4.5 层结构的模型框架
  • 4.6 数据流结构的模型框架
  • 4.7 复合结构的模型框架
  • 4.8 机器学习平台简介
  • 4.9 新浪微博 WBL 机器学习平台
  • 4.10 本章总结
  • 第5章 中台技术之分布式数据库
  • 5.1 分布式数据库概述
  • 5.2 分布式数据库技术
  • 5.3 分布式数据库产品
  • 5.4 LaserDB 分布式数据库
  • 5.5 LaserDB 应用案例分析
  • 5.6 本章总结
  • 第6章 中台技术之大数据平台
  • 6.1 大数据平台概述
  • 6.2 分布式协调系统
  • 6.3 集群管理系统
  • 6.4 分布式文件系统
  • 6.5 消息管道系统
  • 6.6 分布式计算系统
  • 6.7 数据仓库与分布式查询系统
  • 6.8 本章总结
  • 第7章 中台实践之推荐系统
  • 7.1 推荐系统的背景简介
  • 7.2 推荐系统的算法模型
  • 7.3 推荐系统的效果度量
  • 7.4 Facebook 信息流推荐简介
  • 7.5 本章总结
  • 第8章 中台实践之数字广告
  • 8.1 数字广告的背景简介
  • 8.2 数字广告系统架构
  • 8.3 数字广告系统中的数据管理
  • 8.4 数字广告系统中的受众定向
  • 8.5 数字广告系统中的策略机制
  • 8.6 本章总结
  • 第9章 中台实践之网约车平台
  • 9.1 业务简介
  • 9.2 技术架构
  • 9.3 打车定价场景
  • 9.4 打车排队场景
  • 9.5 打车安全场景
  • 9.6 本章总结
  • 参考文献
展开全部