買這商品的人也買了...
-
$480$379 -
$880$748 -
$301混沌工程實戰 手把手教你實現系統穩定性
-
$474$450 -
$658構建企業級推薦系統:算法、工程實現與案例分析
-
$607實用推薦系統
-
$505AI 源碼解讀 : 推薦系統案例 (Python版)
-
$654$621 -
$305Python 中文自然語言處理基礎與實戰
-
$654$621 -
$551推薦系統:前沿與實踐
-
$407智能推薦系統開發實戰
-
$599$569 -
$800$632 -
$403$379 -
$414$393 -
$820$640 -
$860$671 -
$621使用 GitOps 實現 Kubernetes 的持續部署:模式、流程及工具
-
$499$394 -
$653機器學習項目交付實戰
-
$1,200$948 -
$539$512 -
$490$387 -
$654$621
相關主題
商品描述
《推薦系統實戰寶典》主要圍繞推薦系統進行講解,全面介紹了掌握推薦系統技術所需要學習的算法及步驟。
書中描述了基於點擊率評估、RBM的推薦,基於標籤的推薦,基於用戶行為、內容、模型、流行度、鄰域、圖的推薦,
以及基於上下文的推薦,還有使用自然語言處理或者矩陣分解的推薦,包括算法原理的介紹,
對於每一種推薦方式也做了細粒度的分析及場景化的應用。
還分享了作者在實際應用中的解決方案及擴展思路。
除此之外,本書還會涉及一些基礎算法及數學知識,並且包括對於推薦算法的一些模型評估以及校驗的描述。
閱讀本書可以幫助讀者學習基礎算法和推薦算法的原理及實際應用,
同時還能學習到推薦系統開發的設計思想、設計模式、開發流程等。這些對於讀者全面提高自己的推薦系統開發水平有很大的幫助。
《推薦系統實戰寶典》為讀者提供了全部案例源代碼下載和超過1100分鐘的高清學習視頻,
讀者可直接掃描二維碼觀看。
《推薦系統實戰寶典》適合從事推薦系統相關領域研發的人員、
高年級本科生或研究生、熱衷於推薦系統開發的讀者閱讀。
作者簡介
呂倩倩,女
2018年畢業於瀋陽航空航天大學軟件工程專業,獲工學學士學位。
原商品交易所大數據開發工程師,現任花旗銀行大數據開發工程師。 2015年獲得ACM-ICPC大賽三等獎;2016年獲得美國數學建模競賽一等獎、亞太數學建模二等獎,
並多次獲得全國大學生數學建模競賽一等獎、二等獎;2018年獲得阿里雲ACA認證證書。
陳欣,女
華南農業大學電子工程學院/人工智能學院副教授,碩士研究生導師,華南農業大學高層次引進人才。
主持多項 自然科學基金、廣東省自然科學基金項目,在 外學術期刊上發表論文20餘篇,
在步態識別方面的研究成果被央視專題報導,圍繞該成果錄製的《極客出發》節目在央視黃金時段播出。
目錄大綱
第1部分推薦系統介紹篇
第1章推薦系統概述/2
1.1 什麼是推薦系統/2
1.2 推薦系統的架構/3
1.3 推薦系統架構治理/4
1.4 推薦引擎的架構/5
1.5 推薦系統的應用/9
1.5.1 電影和視頻網站/9
1.5.2 個性化音樂電台/10
1.5.3 個性化廣告及搜索廣告/10
1.5.4 多業務融合推薦策略實踐與思考/11
1.6 推薦系統評測/11
1.6.1 推薦系統實驗方法/12
1.6.2 評測指標/13
1.6.3 評測維度/14
1.7 推薦系統知識儲備/14
第2部分推薦系統基礎篇
第2章機器學習準備工作/16
2.1 機器學習緒論/18
2.1.1 數據積累/18
2.1.2 特徵(過濾法、包裝法、嵌入法)/18
2.1.3 模型的不可解釋性/22
2.2 數學基礎知識/23
2.2.1 微積分/23
2.2.2 統計學/29
2.2.3 線性代數/35
2.2.4 信息論基礎/36
2.2.5 凸優化/37
2.3 Python編程/39
第3章機器學習基礎讓推薦系統更懂你/49
3.1 貝葉斯分類器/49
3.1.1 貝葉斯決策論/53
3.1.2 大似然估計/57
3.1.3 EM算法/59
3.1.4 垃圾郵件過濾實戰/62
3.2 決策樹/65
3.3 支持向量機(SVM)/70
3.3.1 SVM介紹/70
3.3.2 半監督SVM/71
3.4 KNN算法/71
3.5 線性回歸/73
3.6 邏輯回歸/77
3.7 Spark MLlib/79
3.7.1 Spark MLlib簡介/79
3.7.2 Spark MLlib矩陣計算/80
3.7.3 Spark MLlib實現分類算法/81
3.7.4 Spark MLlib實現回歸算法/81
3.7.5 Spark MLlib實現聚類算法/82
3.8 聚類任務/82
3.8.1 k均值聚類算法/82
3.8.2 高斯混合聚類/85
第3部分推薦系統進階篇
第4章基於點擊率預估、RBM的推薦/94
4.1 傳統推薦算法的局限和應用/94
4.1.1 傳統推薦算法的局限/94
4.1.2 傳統推薦算法的應用/95
4.1.3 點擊率預估在推薦系統中的應用/95
4.2 集成學習(Ensemble Learning)/95
4.2.1 GBDT/96
4.2.2 XgBoost/97
4.2.3 Bagging與隨機森林/98
4.3 實例:基於RBM的推薦算法/102
第5章基於標籤的推薦/104
5.1 基於標籤系統的應用/104
5.2 數據標註與關鍵詞提取/104
5.2.1 推薦系統中的數據標註/104
5.2.2 推薦系統中的關鍵詞提取/105
5.2.3 標籤的分類/106
5.3 基於標籤的推薦系統/106
5.3.1 標籤評分算法/106
5.3.2 標籤評分算法改進/107
5.3.3 標籤基因/107
5.3.4 用戶興趣建模/107
5.4 實例:使用標籤推薦算法實現藝術家的推薦/108
5.4.1 了解實現思路/108
5.4.2 準備數據/108
5.4.3 選擇算法/109
5.4.4 模型訓練/109
5.4.5 效果評估/110
第6章推薦算法/112
6.1 基於內容的推薦算法/112
6.2 基於用戶行為特徵的推薦算法/113
6.2.1 User-Based CF詳解及優化/114
6.2.2 Item-Based CF詳解及優化/115
6.2.3 融合Match中協同過濾思想的深度排序模型/116
6.3 基於模型的推薦算法/117
6.4 基於流行度的推薦算法/118
6.5 混合算法/119
6.6 基於圖的模型/120
6.6.1 用戶行為數據的二分圖表示/120
6.6.2 基於圖的推薦算法/121
6.7 基於社交網絡的推薦/121
6.7.1 基於鄰域的社會化推薦算法/121
6.7.2 基於圖的社會化推薦算法/122
6.8 Slope-one推薦算法/122
6.9 基於DNN的推薦算法介紹/123
6.10 基於TF實現稀疏自編碼和在推薦中的應用/124
6.11 聯邦推薦算法及應用/127
第7章推薦系統冷啟動及召回方法/131
7.1 冷啟動問題簡介/131
7.2 選擇合適的物品啟動用戶的興趣/131
7.3 利用物品的內容信息/132
7.4 Multi-View DNN模型解決用戶冷啟動/132
第4部分推薦系統強化篇
第8章基於上下文的推薦/134
8.1 基於時間特徵的推薦/134
8.1.1 時間效應介紹/134
8.1.2 推薦系統的實時性/135
8.1.3 協同過濾中的時間因子/135
8.2 實例:增加時間衰減函數的協同過濾算法/136
8.2.1 在UserCF算法中增加時間衰減函數/136
8.2.2 在ItemCF算法中增加時間衰減函數/137
第9章文本處理/139
9.1 Word2Vec/139
9.1.1 Word2Vec簡介/139
9.1.2 詞向量/141
9.1.3 分層優化語言模型/147
9.1.4 連續詞袋模型/147
9.2 fastText/150
9.2.1 模型架構/150
9.2.2 層次Softmax/151
9.2.3 N-Gram子詞特徵/151
9.2.4 fastText和Word2Vec的區別/152
9.2.5 使用fastText分類/152
9.3 Gensim/154
9.3.1 Gensim基本概念/154
9.3.2 Gensim的安裝及簡單使用/154
9.3.3 主題向量的轉化:TF-IDF(詞頻逆文檔頻率)/156