新書推薦： 《
有兽焉.8
》 售價：NT$
305.0
《
大学问·明清经济史讲稿
》 售價：NT$
330.0
《
中国国际法年刊（2023）
》 售價：NT$
539.0
《
实用对联大全
》 售價：NT$
225.0
《
想象欧洲丛书（7册）欧洲史
》 售價：NT$
1880.0
《
没有伞的孩子必须努力奔跑
》 售價：NT$
149.0
《
做最好的班主任（李镇西教育文集版）
》 售價：NT$
230.0
《
数据驱动法律
》 售價：NT$
390.0
編輯推薦：
1.以操作实践为学习的切入点，而不是直接切入理论讲解。2.以任务为驱动，贯穿知识内容。3.充分考虑学习者的认知曲线，由浅入深，边讲边练边切入理论知识。4.通过项目实训训练技能的综合使用能力。
內容簡介：
全书从推荐系统的发展历史、基本构成开始，依次剖析推荐系统的内容召回、协同过滤召回、深度学习召回中具有代表性的模型；再从经典排序模型到基于深度学习的排序，顺势介绍会话推荐、强化学习推荐及工业级推荐，搭建了完整的推荐系统技术体系，这是一个由浅入深的系统学习过程。 本书的目标读者应该对深度学习有基本的了解，掌握概率论、线性代数、微积分等学科的基本知识，具备使用Python语言进行编程的基本能力。本书可以作为各大院校人工智能相关专业的教材，也可以作为培训机构的教材，还适合作为人工智能技术爱好者自学用书。
關於作者：
肖睿，课工场创始人，北京大学教育学博士，北京大学软件学院特约讲师，北京大学学习科学实验室特约顾问。作为北大青鸟 Aptech 的联合创始人，历任学术总监、研究院院长、公司副总裁等核心岗位，拥有20多年的IT职业教育产品管理和企业管理经验。于2015年创办课工场，兼任总经理，旨在为大学生提供更可靠的 IT 就业教育及服务。
目錄
第 1章 推荐系统简介...1 技能目标... 1本章任务... 1任务1.1 了解推荐系统的发展历史 ...2任务1.2 掌握推荐系统的核心要素... 41.2.1 用户... 41.2.2 物品和内容 ... 41.2.3 事件.. .51.2.4 语境... 6任务1.3 掌握推荐系统的基本构成... 61.3.1 召回模块 ...81.3.2 排序模块... 131.3.3 过滤模块... 14任务1.4 了解推荐系统的新发展... 151.4.1 基于会话的推荐系统... 151.4.2 强化学习与推荐系统... 17任务1.5 认清推荐系统的发展方向... 17本章小结... 18本章习题...18第 2章 搭建试验平台...19技能目标... 19本章任务... 19任务2.1 安装和配置Anaconda ... 202.1.1 下载并安装Anaconda ... 212.1.2 新建环境... 222.1.3 管理环境... 232.1.4 添加国内的安装源 ... 252.1.5 安装scikit-surprise软件包... 262.1.6 安装其他软件包 ... 27任务2.2 获取试验数据集MovieLens... 282.2.1 下载数据集 ... 282.2.2 检查文件内容 ... 292.2.3 分析评分数据...31任务2.3 安装集成开发环境PyCharm... 352.3.1 下载PyCharm ... 352.3.2 创建项目Recommender ... 352.3.3 创建测试文件 ...37任务2.4 测试集成开发环境Spyder... 38任务2.5 测试Jupyter Notebook . 402.5.1 安装并启动Jupyter Notebook . 412.5.2 设置根目录 . 422.5.3 Jupyter Notebook基本用法 .. 442.5.4 运行测试文件 46本章小结. 47本章习题. 48第3章 推荐系统的评测 .49技能目标. 49本章任务. 49任务3.1 学习用户成长飞轮模型. 50任务3.2 掌握推荐系统的评测方法. 513.2.1 离线测试.. 513.2.2 用户测试.. 523.2.3 线上测试.. 54任务3.3 掌握推荐系统的评测指标. 553.3.1 预测准确率 . 553.3.2 覆盖率.. 613.3.3 多样性.. 623.3.4 惊喜度.. 633.3.5 新颖度.. 643.3.6 实时性.. 653.3.7 健壮性.. 653.3.8 商业目标.. 663.3.9 小结 68任务3.4 实际评测推荐系统 693.4.1 线下测试.. 693.4.2 线上测试.. 72 本章小结. 74本章习题. 74第4章 基于内容的召回 .75技能目标. 75本章任务. 75任务4.1 掌握物品特征抽取的基本方法 .. 764.1.1 抽取基本特征 774.1.2 抽取文本特征 794.1.3 抽取图像特征 81任务4.2 掌握相似度的衡量方法. 844.2.1 曼哈顿距离 . 854.2.2 欧氏距离.. 854.2.3 余弦相似度 . 86任务4.3 实际开发一款基于内容召回的推荐系统 864.3.1 准备电影特征 874.3.2 计算电影间的相似度. 894.3.3 预测用户评分 914.3.4 生成头部推荐 92任务4.4 掌握横向评测框架的开发和使用方法 .. 934.4.1 自定义预测算法 .. 934.4.2 比较控制器 . 954.4.3 评测内容召回推荐算法 97任务4.5 理解基于内容召回的优点和缺点 . 994.5.1 内容召回的优点 .. 994.5.2 内容召回的缺点 100本章小结.. 100本章习题.. 100第5章 基于协同过滤的召回 .102技能目标.. 102本章任务.. 102任务5.1 掌握协同过滤的基本思想和主要分类 103任务5.2 掌握协同过滤中相似性的衡量方法 . 1045.2.1 行为数据的特点 1055.2.2 相似性的衡量 . 105任务5.3 实际开发一款基于用户的协同过滤推荐系统.. 1085.3.1 创建用户评分矩阵 .. 108 5.3.2 创建用户相似度矩阵.. 1085.3.3 寻找相似用户 . 1095.3.4 根据相似用户的喜好给出推荐 .. 1095.3.5 排序并过滤推荐电影列表（基于用户的协同过滤） ..1105.3.6 运行项目.110任务5.4 实际开发一款基于物品的协同过滤推荐系统1125.4.1 创建电影评分矩阵 1135.4.2 创建电影相似度矩阵1145.4.3 获取当前用户喜好 1145.4.4 根据用户喜好给出推荐1155.4.5 排序并过滤推荐电影列表（基于电影的协同过滤） ..1155.4.6 运行项目.115任务5.5 实际评测协同过滤与评分预测融合模型..1185.5.1 基于用户的K近邻推荐1185.5.2 基于物品的K近邻推荐1185.5.3 评测K近邻推荐算法119本章小结.. 120本章习题.. 121第6章 基于深度学习的召回 .122技能目标.. 122本章任务.. 122任务6.1 掌握并实际评测矩阵分解算法 124任务6.2 掌握并实际评测受限玻尔兹曼机算法 129任务6.3 掌握并实际评测自动编码机算法 .. 133任务6.4 掌握优兔基于深度学习的召回模型 . 136任务6.5 了解Netflix的推荐模型 139本章小结.. 141本章习题.. 141第7章 经典排序模型142技能目标.. 142本章任务.. 142任务7.1 下载并探索一个排序用数据集 143任务7.2 掌握并实际评测逻辑回归排序算法 . 1467.2.1 逻辑回归的基本原理.. 1467.2.2 逻辑回归示例代码 .. 147任务7.3 掌握并实际评测梯度提升决策树和逻辑回归融合模型 .. 150 7.3.1 梯度提升决策树的工作原理 1507.3.2 梯度提升决策树与逻辑回归融合模型 1527.3.3 梯度提升决策树和逻辑回归融合模型的示例代码.. 153任务7.4 掌握并实际评测贝叶斯个性化排序算法. 1567.4.1 贝叶斯法则 .. 1577.4.2 贝叶斯个性化排序算法原理 1627.4.3 贝叶斯个性化排序示例代码 163本章小结.. 170本章习题.. 170第8章 基于深度学习的排序 .171技能目标.. 171本章任务.. 171任务8.1 掌握因子分解机的基本原理. 172任务8.2 掌握广度和深度融合模型的基本原理 177任务8.3 掌握优兔深度学习排序模型的基本原理. 185本章小结.. 187本章习题.. 188第9章 基于会话的推荐 ..189技能目标.. 189本章任务.. 189任务9.1 了解基于会话的推荐系统的发展历史 190任务9.2 掌握循环神经网络在推荐系统中的应用. 1929.2.1 基于门控循环单元的推荐系统 .. 1939.2.2 多会话迷你批处理 .. 1949.2.3 批处理中的负采样 .. 1949.2.4 排序损失函数的选择.. 1959.2.5 实验过程 195任务9.3 学习将语境信息融入循环神经网络推荐系统.. 1969.3.1 语境的重要性 . 1979.3.2 语境的融入方法 1989.3.3 融合语境的循环神经网络模型 .. 1999.3.4 实验过程 202本章小结.. 203本章习题.. 204第 10章 基于强化学习的推荐 ..205技能目标.. 205 本章任务.. 205任务10.1 了解在推荐系统中应用强化学习的背景.. 206任务10.2 了解强化学习的技术基础 20710.2.1 情境描述. 20710.2.2 策略学习. 20910.2.3 用户长期参与度 . 210任务10.3 深入研究“探索与开采并举”的强化学习推荐系统 21010.3.1 提升多样性的强化学习推荐系统 .. 21010.3.2 试验过程. 21310.3.3 试验结果. 216本章小结.. 217本章习题.. 218第 11章 工业级推荐系统.219技能目标.. 219本章任务.. 219任务11.1 了解深度规模化稀疏张量网络引擎 220任务11.2 掌握DSSTNE深度学习框架的使用方法 22111.2.1 转换数据 . 22411.2.2 训练阶段 . 22411.2.3 预测阶段 . 226任务11.3 了解工业级推荐系统的架构方法 22611.3.1 系统架构 . 22711.3.2 并行化.. 22811.3.3 结束语.. 229本章小结.. 229本章习题.. 230
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
