序 言
前 言 预测分析的职业风险
导 论 预测效应
第一章 升空！预测开始发威
开始实践
人人爱预言，虽然不精确
防护预测
价值100 万美元的无声革命
个性化的危险
预测分析程序的安装：迂回和拖延
运行过程中
基本要素：观察
行动就是决策
危险的启动
呼叫休斯敦，我们有麻烦了
能做到的小模型
休斯敦，发射
热情的科学家
让预测走入内心
第二章 权力越大，责任越大：惠普、Target超市、警察和美国国家安全局会窥探你的秘密
Target 超市的预测及其预测目标
意味深长的停顿
我的15 分钟
曝光于聚光灯下
你无法禁锢那些可传输的东西
法律与秩序：政策和数据监管
数据之战
数据挖掘并不是“攫取”数据
惠普自我学习
洞悉员工还是侵犯隐私
辞职风险：我不干了！
洞见：辞职背后的因素
危险品
辞职风险评估的价值
预测犯罪，提前杜绝犯罪
数据犯罪和犯罪数据
无法测量的机器风险
偏见的轮回
好的预测 坏的预测
第三章 数据效应：彩虹之后的饕餮
焦虑指数
将情绪可视化
在数据里寻宝
一切都数据化
把所有舱门都封死：信息太多了
谁的数据会成为你的囊中之物？
彩虹之末
预测之汁
遥远、奇特和惊人的洞察力
有关系，并不意味着是因果关系
第四章 学习的机器：大通银行对房产抵押风险的预测分析
男孩与银行的相遇
银行面临着风险
预测抵御风险
风险业务
学习机器
创建机器学习
从负面经验中学习
机器如何学习
你可以决定决策树的规模
计算机，为自己编程吧
学吧，宝贝
越大越好
过度学习：假设太多
归纳之谜
机器学习的艺术和科学
感觉真实：测试数据
去粗取精是艺术
在大通银行应用分类—回归决策树
摇钱树
回归—为何显微镜无法观察到宇宙碰撞
后续
第五章 集团效应：Netflix、众包以及增压预测
业余火箭科学家
黑马
思想外包：集思广益
众包如星火燎原
生于忧患
联合国
元学习
两个预测模型的组合
好戏在后头
集体信息
群体和模型的智慧
一袋子模型
集体智慧开始发威
泛化悖论：过犹不及
挑战极限
第六章 “沃森”和《危险边缘》节目
文本分析
英语的爱恨情仇
在理解问题之后就要回答
知识终极源泉
人工智能悖论
学习回答问题
学人走路，学人说话
更好的捕鼠器
应答机器
投机取巧的《危险边缘》
从证据中寻找答案
基础知识，亲爱的“沃森”
证据如山
用组合模型来判断证据
组合模型的组合
机器学习使自然语言处理成为可能
自信但不自负
需要速度
双重危险—“沃森”会赢吗？
《危险边缘》的惶恐
为了胜利
比赛之后：荣誉、嘉奖和崇拜
非对称性IBM 人工智能
对的预测
第七章 用数字说话：挪威电信和美国合众银行工程师
如何通过预测来施加影响
搅拌吧，用力搅拌
沉睡的狗
要预测新的内容
眼睛看不到
预测说服
具有说服性的选择
商业刺激和商业反馈
定量人性
量子人性—他是否可被影响？
通过上提模型预测影响力
银行业对影响力的运用
预测错误之事
响应上提模型
上提模型的原理
上提模型如何发挥作用
说服效应
不同行业的影响
让移动客户不移动
结 语
· · · · · · (收起)