| | | 實用推薦繫統 圖書 | 該商品所屬分類:圖書 -> 數據庫 | 【市場價】 | 696-1008元 | 【優惠價】 | 435-630元 | 【作者】 | 金·福爾克 | 【出版社】 | 電子工業出版社 | 【ISBN】 | 9787121420788 | 【折扣說明】 | 一次購物滿999元台幣免運費+贈品 一次購物滿2000元台幣95折+免運費+贈品 一次購物滿3000元台幣92折+免運費+贈品 一次購物滿4000元台幣88折+免運費+贈品
| 【本期贈品】 | ①優質無紡布環保袋,做工棒!②品牌簽字筆 ③品牌手帕紙巾
| |
版本 | 正版全新電子版PDF檔 | 您已选择: | 正版全新 | 溫馨提示:如果有多種選項,請先選擇再點擊加入購物車。*. 電子圖書價格是0.69折,例如了得網價格是100元,電子書pdf的價格則是69元。 *. 購買電子書不支持貨到付款,購買時選擇atm或者超商、PayPal付款。付款後1-24小時內通過郵件傳輸給您。 *. 如果收到的電子書不滿意,可以聯絡我們退款。謝謝。 | | | | 內容介紹 | |
![](/c3/10038852731149.jpg)
出版社:電子工業出版社 ISBN:9787121420788 商品編碼:10038852731149 品牌:文軒 出版時間:2021-10-01 代碼:119 作者:金·福爾克
"![](http://img14.360buyimg.com/cms/jfs/t1/203358/9/26405/134589/62f4a34cEcdefae53/84e082ed3b03dbc0.jpg) 作 者:(丹)金·福爾克 著 李源,朱罡罡,溫睿 譯 定 價:119 出 版 社:電子工業出版社 出版日期:2021年10月01日 頁 數:436 裝 幀:平裝 ISBN:9787121420788 "介紹推薦繫統原理和關鍵算法,配備大量代碼,適合入門對於書中所涉及的數學和統計學知識,均提供示例圖和代碼,直觀易懂涵蓋從數據收集到生成推薦的全過程,提供詳細的Python代碼及注釋,代碼可在GitHub上下載剖析流行的算法在 和Netflix上的應用" ●第1部分推薦繫統的準備工作 第1章什麼是推薦.3 1.1現實生活中的推薦.3 1.1.1推薦繫統在互聯網上大顯身手.5 1.1.2長尾.5 1.1.3Netflix的推薦繫統.6 1.1.4推薦繫統的定義.13 1.2推薦繫統的分類.15 1.2.1域.16 1.2.2目的.16 1.2.3上下文.17 1.2.4個性化級別.17 1.2.5專家意見.19 1.2.6隱私與可信度.19 1.2.7接口.20 1.2.8算法.23 1.3機器學習與NetflixPrize.24 1.4MovieGEEKs網站.25 1.4.1設計與規範.27 1.4.2架構.27 1.5構建一個推薦繫統.29 小結.31 第2章用戶行為以及如何收集用戶行為數據.32 2.1在瀏覽網站時Netflix如何收集證據.33 2.1.1Netflix收集的證據.35 2.2尋找有用的用戶行為.37 2.2.1捕獲訪客印像.38 2.2.2可以從瀏覽者身上學到什麼.38 2.2.3購買行為.43 2.2.4消費商品.44 2.2.5訪客評分.45 2.2.6以(舊的)Netflix方式了解你的用戶.48 2.3識別用戶.49 2.4從其他途徑獲取訪客數據.50 2.5收集器.50 2.5.1構建項目文件.52 2.5.2數據模型.52 2.5.3告密者(snitch):客戶端證據收集器.53 2.5.4將收集器集成到MovieGEEKs中.54 2.6繫統中的用戶是誰以及如何對其進行建模.57 小結.60 第3章監控繫統.61 3.1為什麼添加儀表盤是個好主意.62 3.1.1回答“我們做得怎麼樣?”.62 3.2執行分析.64 3.2.1網站分析.64 3.2.2基本統計數據.64 3.2.3轉化.65 3.2.4分析轉化路徑.69 3.2.5轉化路徑.70 3.3角色.73 3.4MovieGEEKs儀表盤.76 3.4.1自動生成日志數據.76 3.4.2分析儀表盤的規範和設計.77 3.4.3分析儀表盤示意圖.77 3.4.4架構.78 小結.81 第4章評分及其計算方法.82 4.1用戶-商品喜好.83 4.1.1什麼是評分.83 4.1.2用戶-商品矩陣.84 4.2顯式評分和隱式評分.86 4.2.1如何選擇可靠的推薦來源.87 4.3重溫顯式評分.88 4.4什麼是隱式評分.88 4.4.1與人相關的推薦.90 4.4.2關於計算評分的思考.90 4.5計算隱式評分.93 4.5.1看看行為數據.94 4.5.2一個有關機器學習的問題.98 4.6如何計算隱式評分.99 4.6.1添加時間因素.102 4.7低頻商品更有價值.105 小結.107 第5章非個性化推薦.108 5.1什麼是非個性化推薦.109 5.1.1什麼是廣告.109 5.1.2推薦有什麼作用.110 5.2當沒有數據的時候如何做推薦.111 5.2.1商品的十大排行榜.113 5.3榜單的實現以及推薦繫統組件的準備工作.114 5.3.1推薦繫統組件.114 5.3.2GitHub上的MovieGEEKs網站代碼.116 5.3.3推薦繫統.116 5.3.4為MovieGEEKs網站添加一個榜單.116 5.3.5使內容看起來更具吸引力.117 5.4種子推薦.119 5.4.1頻繁購買的商品與你正在查看的商品很相似.120 5.4.2關聯規則.121 5.4.3實現關聯規則.126 5.4.4在數據庫中存儲關聯規則.130 5.4.5計算關聯規則.131 5.4.6運用不同的事件來創建關聯規則.133 小結.133 第6章冷用戶(冷商品).135 6.1什麼是冷啟動.135 6.1.1冷商品.137 6.1.2冷用戶.137 6.1.3灰羊.139 6.1.4現實生活中的例子.139 6.1.5面對冷啟動你能做什麼.140 6.2追蹤訪客.141 6.2.1執著於匿名用戶.141 6.3用算法來解決冷啟動問題.141 6.3.1使用關聯規則為冷用戶創建推薦信息.142 6.3.2使用領域知識和業務規則.143 6.3.3使用分組.144 6.3.4使用類別來避免灰羊問題以及如何介紹冷商品.146 6.4那些不詢問就很難被發現的人.147 6.4.1當訪客數據不夠新時.148 6.5使用關聯規則快速進行推薦.148 6.5.1收集數據項.149 6.5.2檢索關聯規則並根據置信度對其排序.150 6.5.3顯示推薦內容.151 6.5.4評估.154 小結.154 第2部分推薦算法 第7章找出用戶之間和商品之間的相似之處.157 7.1什麼是相似度.158 7.1.1什麼是相似度函數.159 7.2基本的相似度函數.160 7.2.1Jaccard距離.161 7.2.2使用Lp-norm測量距離.162 7.2.3Cosine相似度.165 7.2.4通過Pearson相關繫數查找相似度.167 7.2.5運行Pearson相似度.169 7.2.6Pearson相關性繫數與Cosine相似度類似.171 7.3k-means聚類.171 7.3.1k-means聚類算法.172 7.3.2使用Python實現k-means聚類算法.174 7.4實現相似度.178 7.4.1在MovieGEEKs網站上實現相似度.181 7.4.2在MovieGEEKs網站上實現聚類.183 小結.187 第8章鄰域協同過濾.188 8.1協同過濾:一節歷史課.190 8.1.1當信息被協同過濾時.190 8.1.2互幫互助.190 8.1.3評分矩陣.192 8.1.4協同過濾管道.193 8.1.5應該使用用戶-用戶還是物品-物品的協同過濾.194 8.1.6數據要求.195 8.2推薦的計算.195 8.3相似度的計算.196 8.4 預測物品相似度的算法.196 8.5選擇鄰域的方法.201 8.6找到正確的鄰域.203 8.7計算預測評分的方法.204 8.8使用基於物品的過濾進行預測.206 8.8.1計算物品的預測評分.206 8.9冷啟動問題.207 8.10機器學習術語簡介.208 8.11MovieGeeks網站上的協同過濾.209 8.11.1基於物品的過濾.209 8.12關聯規則推薦和協同推薦之間有什麼區別.215 8.13用於協同過濾的工具.215 8.14協同過濾的優缺點.217 小結.218 第9章評估推薦繫統.219 9.1推薦繫統的評估周期.220 9.2為什麼評估很重要.221 9.3如何解釋用戶行為.222 9.4測量什麼.223 9.4.1了解我的喜好,盡量減少預測錯誤.223 9.4.2多樣性.224 9.4.3覆蓋率.225 9.4.4驚喜度.227 9.5在實現推薦之前.228 9.5.1驗證算法.228 9.5.2回歸測試.229 9.6評估的類型.230 9.7離線評估.231 9.7.1當算法不產生任何推薦時該怎麼辦.231 9.8離線實驗.232 9.8.1準備實驗數據.237 9.9在MovieGEEKs中實現這個實驗.244 9.9.1待辦任務清單.244 9.10評估測試集.248 9.10.1從基線預測器開始.248 9.10.2找到正確的參數.251 9.11在線評估.252 9.11.1對照實驗.252 9.11.2A/B測試.253 9.12利用exploit/explore持續測試.254 9.12.1反饋循環.255 小結.256 第10章基於內容的過濾.257 10.1舉例說明.258 10.2什麼是基於內容的過濾.261 10.3內容分析器.262 10.3.1從物品配置文件提取特征.262 10.3.2數量較少的分類數據.265 10.3.3將年份轉換為可比較的特征.265 10.4從描述數據.266 10.4.1準備描述.266 10.5使用TF-IDF查找重要單詞.270 10.6使用LDA進行主題建模.272 10.6.1有什麼方法可以調整LDA.279 10.7查找相似內容.282 10.8如何創建用戶配置文件.283 10.8.1使用LDA創建用戶配置文件.283 10.8.2使用TF-IDF創建用戶配置文件.283 10.9MovieGEEKs中基於內容的推薦.286 10.9.1加載數據.286 10.9.2訓練模型.287 10.9.3創建物品配置文件.288 10.9.4創建用戶配置文件.289 10.9.5展示推薦.291 10.10評估基於內容的推薦繫統.292 10.11基於內容過濾的優缺點.293 小結.294 第11章用矩陣分解法尋找隱藏特征.295 11.1有時減少數據量是好事.296 11.2你想要解決的問題的例子.298 11.3談一點線性代數.301 11.3.1矩陣.301 11.3.2什麼是因子分解.303 11.4使用SVD構造因子分解.304 11.4.1通過分組加入添加新用戶.310 11.4.2如何使用SVD進行推薦.313 11.4.3基線預測.313 11.4.4時間動態.316 11.5使用FunkSVD構造因子分解.317 11.5.1均方根誤差.317 11.5.2梯度下降.318 11.5.3隨機梯度下降.321 11.5.4最後是因子分解.322 11.5.5增加偏差.323 11.5.6如何開始,何時結束.324 11.6用FunkSVD進行推薦.328 11.7MovieGEEKs中的FunkSVD實現.331 11.7.1如何處理異常值.335 11.7.2保持模型的更新.336 11.7.3更快的實施方法.337 11.8顯式數據與隱式數據.337 11.估.337 11.10用於FunkSVD的參數.339 小結.341 第12章運用很好算法來實現混合推薦.342 12.1混合推薦繫統的困惑世界.343 12.2單體.344 12.2.1將基於內容的特征與行為數據混合,以改進協同過濾推薦繫統.345 12.3摻雜式混合推薦.346 12.4集成推薦.347 12.4.1可切換的集成推薦.348 12.4.2加權式集成推薦.349 12.4.3線性回歸.350 12.5特征加權線性疊加(FWLS).351 12.特征:權重作為函數.352 12.5.2算法.353 12.6實現.360 小結.370 第13章排序和排序學習.371 13.1Foursquare的排序學習例子.372 13.2重新排序.376 13.3什麼是排序學習.377 13.3.1三種類型的LTR算法.377 13.4貝葉斯個性化排序.379 13.4.1BPR排序.381 13.4.2數學魔術(高級巫術).383 13.4.3BPR算法.386 13.4.4具有矩陣分解的BPR.387 13.5BPR的實現.388 13.5.1執行推薦.393 13.6評估.394 13.7用於BPR的參數.397 小結.398 第14章推薦繫統的未來.399 14.1本書內容總結.400 14.2接下來要學習的主題.403 14.2.1延伸閱讀.403 14.2.2算法.404 14.2.3所處環境.404 14.2.4人機交互.405 14.2.5選擇一個好的架構.405 14.3推薦繫統的未來是什麼.406 14.4最後的想法.411 要構建一個實用的“智能”推薦繫統,不僅需要有好的算法,還需要了解接收推薦的用戶。本書分為兩部分,第一部分側重於基礎架構,主要介紹推薦繫統的工作原理,展示如何創建推薦繫統,以及給應用程序增加推薦繫統時,應該如何收集和應用數據;第二部分側重於算法,介紹推薦繫統算法,以及如何使用繫統收集的數據來計算向用戶推薦什麼內容。作者還教授了如何使用 的推薦算法,並剖析它們在 和Netflix等網站上的實際應用。本書適合對推薦繫統感興趣的開發人員閱讀,從事數據科學行業的讀者也能從書中獲得啟發。 (丹)金·福爾克 著 李源,朱罡罡,溫睿 譯 "Kim Falk 是一位數據科學家,他在構建數據驅動的應用程序方面有著豐富的經驗。他對推薦繫統和機器學習很感興趣。他所訓練的推薦繫統,為用戶推薦合適的電影,為人們推送廣告,甚至幫助律師找到判例法的內容。自2010 年以來,他一直從事大數據解決方案和機器學習方面的工作。Kim 經常參與有關推薦繫統的演講和寫作。當Kim 不工作的時候,他就是一個居家男人,是一位父親,會帶著他的德國短毛指示犬進行越野跑。" ![](https://img10.360buyimg.com/imgzone/jfs/t1/147514/7/5440/73116/5f34a3beE3ba58783/f5b2391383f5625c.jpg)
" | | | | | |