Python推薦系統實戰：基於深度學習、NLP和圖算法的應用型推薦系統 Applied Recommender Systems with Python: Build Recommender Systems with Deep Learning, Nlp and Graph-Based Techniques
[印]阿克謝·庫爾卡尼（Akshay Kulkarni）、阿達沙·希瓦南達(Adarsha Shivananda)、安努什·庫爾卡尼(Anoosh Kulkarni)、V
- 出版商: 清華大學
- 出版日期: 2024-05-01
- 售價: $594
- 貴賓價: 9.5 折 $564
- 語言: 簡體中文
- ISBN: 7302657408
- ISBN-13: 9787302657408
-
相關分類:
推薦系統、DeepLearning、Text-mining
- 此書翻譯自: Applied Recommender Systems with Python: Build Recommender Systems with Deep Learning, Nlp and Graph-Based Techniques 銷售排行: 🥇 2024/8 簡體中文書 銷售排行 第 1 名
立即出貨 (庫存 < 4)
買這商品的人也買了...
-
$458直擊招聘 : 程序員面試筆試數據結構深度解析 -
低功耗藍牙智能硬件開發實戰$594$564 -
$387Qt 5/PyQt 5 實戰指南 — 手把手教你掌握 100個精彩案例 -
Kaggle 競賽攻頂秘笈 -- 揭開 Grandmaster 的特徵工程心法，掌握制勝的關鍵技術$1,000$790 -
駭客廝殺不講武德：CTF 強者攻防大戰直擊$1,000$850 -
圖解入門 — 半導體製造工藝基礎精講 (原書第4版)$594$564 -
$458特徵工程的藝術：通用技巧與實用案例 -
$352控制之美 (捲1) — 控制理論從傳遞函數到狀態空間 -
商業分析全攻略：用數據分析解決商業問題 (全彩)$888$844 -
$510深度探索 Go語言 — 對象模型與 runtime 的原理、特性及應用 -
Android Studio 開發實戰：從零基礎到 App 上線, 3/e$893$848 -
擴散模型從原理到實戰$479$455 -
親手開發推薦系統 - PyTorch 全方位實作最重要演算法$780$616 -
$403控制之美 (捲2) — 最優化控制 MPC 與卡爾曼濾波器 -
基於 GPT-3、ChatGPT、GPT-4 等 Transformer 架構的自然語言處理$599$569 -
$469LangChain 入門指南：構建高可復用、可擴展的 LLM 應用程序 -
跟 NVIDIA 學深度學習！從基本神經網路到 ......、GPT、BERT...，紮穩機器視覺與大型語言模型 (LLM) 的建模基礎$880$695 -
LangChain 開發手冊 -- OpenAI × LCEL 表達式 × Agent 自動化流程 × RAG 擴展模型知識 × 圖形資料庫 × LangSmith 除錯工具$680$537 -
OpenAI API接口應用實戰$594$564 -
$458大模型應用開發 動手做 AI Agent -
計算機視覺核心技術演算法與開發實戰$479$455 -
$469圖解入門 — 半導體工作原理精講 -
多模態大模型：算法、應用與微調$714$678 -
精確掌握 AI 大趨勢！深度學習技術解密：日本 AI 神人，帶你正確學會從機器學習到生成式 AI 的核心基礎$630$498 -
自己開發 ChatGPT - LLM 從頭開始動手實作$720$569
相關主題
商品描述
《Python推薦系統實戰：基於深度學習、NLP和圖算法的應用型推薦系統》分為4部分，包含11章。首先介紹推薦系統的基本方法，接著探討當前流行的一些方法，具體包括協同過濾推薦系統、內容推薦系統以及混合推薦系統。接下來討論如何運用當前的機器學習算法來實現推薦系統。最後討論推薦系統的相關趨勢和新興技術。 《Python推薦系統實戰：基於深度學習、NLP和圖算法的應用型推薦系統》特別適合零基礎的數據科學工作者參考和使用。它可以幫助讀者從基礎知識起步，逐步學習運用Python、深度學習和自然語言處理技術來構建推薦系統，以促進業務增長和提高客戶忠誠度。
目錄大綱
詳 細 目 錄
第Ⅰ部分 基本方法
第1章 推薦系統簡介
什麽是推薦引擎 003
推薦引擎的類型 004
基於規則的推薦系統 011
流行度 011
全球流行的商品 013
按國家計算熱銷商品 014
再次購買 015
小結 016
第2章 超市購物車分析（關聯規則挖掘）
實現 017
數據收集 018
清洗數據 019
從數據集獲取的洞察 020
基於DateTime的模式 022
免費商品和銷售 026
熱銷商品 034
經常一起購買的商品 037
Apriori算法概念 038
關聯規則 040
新建函數 041
關聯規則的可視化 043
小結 049
第Ⅱ部分 流行方法
第3章 內容過濾
數據收集和下載詞嵌入 054
將數據導入為DataFrame 054
預處理數據 055
文本轉為特徵 057
OHE 057
詞頻向量器CountVectorizer 057
TF-IDF 058
詞嵌入 058
相似性度量 059
歐幾里得距離 059
餘弦相似度 060
曼哈頓距離 061
使用CountVectorizer構建模型 062
使用TF-IDF特徵構建模型 064
使用Word2vec特徵構建模型 065
使用fastText特徵構建模型 067
使用GloVe特徵構建模型 068
使用共現矩陣構建模型 071
小結 072
第4章 協同過濾
實現 074
數據收集 074
關於數據集 075
基於內存的方法 076
基於客戶對客戶的協同過濾 078
實現 078
項目對項目的協同過濾 081
實現 082
基於KNN的方法 085
機器學習 085
監督式學習 086
小結 090
第5章 使用矩陣分解、奇異值分解和共聚類的協同過濾
實現矩陣分解、共聚類和SVD 092
實現NMF 096
實現共聚類 098
實現SVD 099
獲取推薦 100
小結 104
第6章 混合推薦系統
實現 106
數據收集 106
數據準備 108
模型構建 112
合並訓練集和測試集後的最終模型 117
獲取推薦 117
小結 119
第Ⅲ部分 先進的機器學習算法
第7章 基於聚類的推薦系統
數據收集和下載所需的詞嵌入 125
預處理數據 126
探索性數據分析 127
標簽編碼 129
模型構建 130
k均值聚類 130
肘部方法 131
層次聚類 131
小結 142
第8章 基於分類算法的推薦系統
方法 143
數據收集以及下載詞嵌入 144
以DataFrame（pandas）形式導入數據 144
數據預處理 146
特徵工程 152
探索性數據分析 153
模型構建 156
拆分訓練集和測試集 157
邏輯回歸 157
實現 159
決策樹 161
實現 162
隨機森林 163
實現 163
KNN 164
實現 164
小結 166
第Ⅳ部分 相關趨勢和新技術
第9章 基於深度學習的推薦系統
深度學習（人工神經網絡）基礎 169
神經協同過濾（NCF） 170
實現 172
數據收集 172
以DataFrame（pandas）形式導入數據 173
數據預處理 174
拆分訓練集和測試集 175
建模和推薦 175
小結 180
第10章 基於圖的推薦系統
實現 182
小結 191
第11章 新興領域和新技術
實時推薦 193
對話式推薦 194
上下文感知推薦系統 194
多任務推薦系統 195
聯合表徵學習 196
小結 198
