猜心競賽 : 從實作了解推薦系統演算法
黃美靈
- 出版商: 深智
- 出版日期: 2020-08-21
- 定價: $780
- 售價: 8.5 折 $663
- 語言: 繁體中文
- 頁數: 464
- 裝訂: 平裝
- ISBN: 9865501481
- ISBN-13: 9789865501488
-
相關分類:
推薦系統、Algorithms-data-structures
- 此書翻譯自: 推薦系統算法實踐
立即出貨(限量) (庫存=3)
買這商品的人也買了...
-
Beyond BIOS: Developing with the Unified Extensible Firmware Interface, 3/e (Paperback)$3,260$3,097 -
Fundamentals of Software Architecture: A Comprehensive Guide to Patterns, Characteristics, and Best Practices (Paperback)$2,660$2,520 -
程式設計師從零開始邁向架構師之路$650$553 -
量子霸權(Quantum Supermacy)世界大戰開打：量子電腦真的來了$600$510 -
深度學習推薦系統$648$616 -
人類智慧的神殿：AI知識圖譜實作$890$587 -
橫跨 Android 及 Apple 的神話：用 Dart 語言神啟 Flutter 大業$690$545 -
$505知識圖譜與深度學習 -
前端三雄首強：用 Angular 高速聰明開發多介面$680$537 -
NLP 工程師養成術：自然語言處理入門$690$538 -
Python 再進化：系統化金融分析與風險管理 (有些許瑕疵,不影響閱讀)$780$663 -
機器學習：彩色圖解 + 基礎數學篇 + Python 實作 -- 王者歸來 (全彩)$550$435 -
矽谷資深演算法大師：帶你學深度學習推薦系統 (附8頁彩頁)$780$616 -
下世代超前佈署：用 Zabbix 全面監管巨量伺服器$880$695 -
$1,710Quantum Computing: Program Next-Gen Computers for Hard, Real-World Applications -
AI 語音辨識：用 Kaldi 實作應用全集$880$695 -
小輕快跨平台：王的編輯器 Visual Studio Code 聖經$880$695 -
Systems Performance, 2/e (Paperback)$2,700$2,565 -
還在 LAMP？用最流行的 MEAN 進行全端網頁開發$780$663 -
用 Node.js 一統 JavaScript 前後端：強勢 Web 開發親手作 (有些許瑕疵,不影響閱讀)$780$663 -
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 -
最新 AI 技術：知識圖譜集技術概念大成$980$647 -
編寫程式的邏輯：如何用物件導向實作複雜的業務需求$680$530 -
自學機器學習 - 上 Kaggle 接軌世界，成為資料科學家$680$578 -
全中文自然語言處理：Pre-Trained Model 方法最新實戰$880$695
相關主題
商品描述
推薦系統從20世紀90年代開始出現，逐漸成為一種獨立的學科，並且在學術界和工業界應用中都獲得了諸多成果。本書主要說明目前學術界和工業界的一些主流、常用的推薦方法和工具。用最大眾化的Tensorflow/Sklearn及Spark來實作商業巨頭的推薦系統，在Zepplin Notebook和Jupyter Notebook兩個最通用的平台上來完成實作，並且詳細介紹召回演算法、排序演算法、線性模型、樹模型、深度學習模型等等。
作者簡介
黃美靈
現任一線互聯網公司的高級工程師，擁有多年大型互聯網公司推薦系統和機器學習實戰經驗，現從事廣告推薦、應用分發和資訊Feeds流推薦相關工作。
目錄大綱
第1 篇
推薦系統的演算法基礎
01 數學基礎
1.1 線性代數
1.2 機率與統計
1.3 損失函數
1.4 最佳化方法
1.5 評價方法
02 推薦系統介紹
2.1 推薦系統背景
2.2 推薦系統的典型案例
2.3 推薦系統原理
03 推薦演算法工具
3.1 Python Sklearn 機器學習函數庫
3.2 Spark MLlib 機器學習函數庫
3.3 TensorFlow
3.4 Notebook 介紹
第2 篇
推薦系統的召回演算法
04 協作過濾—基於行為相似的召回
4.1 協作過濾演算法
4.2 協作過濾推薦演算法實現
05 Word2vec—基於內容相似的召回
5.1 Word2vec 演算法
5.2 Word2vec 實例
第3 篇
推薦系統的排序演算法—線性模型
06 邏輯回歸
6.1 邏輯回歸演算法
6.2 邏輯回歸實現
07 因數分解機（FM）
7.1 FM 演算法
7.2 FM 實現
第4 篇
推薦系統的排序演算法—樹模型
08 決策樹
8.1 決策樹演算法
8.2 決策樹的整合演算法
8.3 決策樹整合演算法實例
09 整合學習
9.1 GBDT+LR 演算法
9.2 深度森林演算法
9.3 決策樹整合分類器
9.4 整合學習實例
第5 篇
推薦系統的排序演算法—深度學習模型
10 深度學習在推薦演算法中的應用
10.1 推薦模型的特點
10.2 基於深度學習的推薦模型
11 DNN 演算法
11.1 類神經網路演算法
11.2 DNN 最佳化方法
11.3 DNN 實例
TensorFlow 實現
11.4 執行結果
12 Wide & Deep 模型
12.1 Wide & Deep 模型概述
12.2 Wide & Deep 系統實現
12.3 Wide & Deep 實例
TensorFlow 實現
12.4 執行結果
13 DeepFM 模型
13.1 DeepFM 模型概述
13.2 DeepFM 模型實例
TensorFlow 實現
13.3 執行結果
14 YouTube 的深度神經網路模型
14.1 YouTube 推薦模型
14.2 YouTube 實例
TensorFlow 實現
14.3 執行結果
第6 篇
推薦系統的演算法實作
15 實作—基於電子商務平台的商品召回
15.1 背景介紹
15.2 模型選擇
15.3 演算法開發
16 實作—基於邏輯回歸的音樂評分預測
16.1 背景介紹
16.2 資料準備
16.3 特徵處理
16.4 模型選擇
16.5 演算法開發
17 實作—Kaggle 競賽之Outbrain 點擊率預估
17.1 背景介紹
17.2 資料準備
17.3 特徵處理
17.4 模型選擇
17.5 演算法開發
18 實作—基於深度學習為電子商務商品點擊率預估
18.1 背景介紹
18.2 資料準備
18.3 特徵處理
18.4 模型選擇
18.5 演算法開發
18.6 執行結果
19 Notebook 實作
19.1 Sklearn 中的LR 實作
19.2 TensorFlow 中的LR 實作
19.3 Spark 中的LR 實作
19.4 TensorFlow 中的FM 偵錯實作
19.5 Spark 中的協作過濾偵錯實作
