掃一掃
關(guān)注中圖網(wǎng)
官方微博
包郵 推薦系統(tǒng)——飛槳深度學(xué)習(xí)實(shí)戰(zhàn)
開(kāi)本：
其他
頁(yè)數(shù)：
260
本類五星書(shū)更多>
-
>
全國(guó)計(jì)算機(jī)等級(jí)考試最新真考題庫(kù)模擬考場(chǎng)及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測(cè)5000題(言語(yǔ)理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(shū)(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥48.9
加入購(gòu)物車
推薦系統(tǒng)——飛槳深度學(xué)習(xí)實(shí)戰(zhàn) 版權(quán)信息
- ISBN：9787302623755
- 條形碼：9787302623755 ; 978-7-302-62375-5
- 裝幀：平裝-膠訂
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類：>
推薦系統(tǒng)——飛槳深度學(xué)習(xí)實(shí)戰(zhàn) 本書(shū)特色
本書(shū)有以下特色：
1.由淺入深，對(duì)于推薦系統(tǒng)沒(méi)有經(jīng)驗(yàn)的讀者也可以全貌地了解推薦系統(tǒng)。
2.兼容并包，對(duì)從經(jīng)典的機(jī)器學(xué)習(xí)方法到的深度學(xué)習(xí)方法都進(jìn)行了詳細(xì)講解。
3.知行合一，除了介紹重要的算法的原理和推導(dǎo)過(guò)程外，也配置了相應(yīng)的實(shí)驗(yàn)。
4.學(xué)以致用，立足于工業(yè)應(yīng)用介紹推薦系統(tǒng)。帶領(lǐng)讀者動(dòng)手從零搭建推薦系統(tǒng) 。
5.工業(yè)經(jīng)驗(yàn)，借鑒百度先進(jìn)的推薦系統(tǒng)經(jīng)驗(yàn)，做到理論和實(shí)踐相結(jié)合 。
推薦系統(tǒng)——飛槳深度學(xué)習(xí)實(shí)戰(zhàn) 內(nèi)容簡(jiǎn)介
本書(shū)將推薦系統(tǒng)的理論基礎(chǔ)與代碼實(shí)踐相結(jié)合，內(nèi)容涵蓋各類非個(gè)性化和個(gè)性化、經(jīng)典及優(yōu)選的推薦算法，以及工業(yè)界推薦系統(tǒng)的基本流程、步驟。本書(shū)可以作為各高校相關(guān)專業(yè)智能推薦系統(tǒng)課程教材，也可以作為技術(shù)人員的參考書(shū)籍。通過(guò)本書(shū)，讀者可以掌握推薦系統(tǒng)的基本概念、評(píng)價(jià)指標(biāo)，熟悉推薦系統(tǒng)在工業(yè)界應(yīng)用的具體過(guò)程，既可以了解基于傳統(tǒng)機(jī)器學(xué)習(xí)的推薦算法，也可以學(xué)習(xí)基于深度學(xué)習(xí)的前沿推薦算法，本書(shū)的*后一章帶領(lǐng)讀者熟悉推薦系統(tǒng)領(lǐng)域的關(guān)鍵問(wèn)題和挑戰(zhàn)。
推薦系統(tǒng)——飛槳深度學(xué)習(xí)實(shí)戰(zhàn) 目錄
第1章推薦系統(tǒng)概述
1.1推薦系統(tǒng)的背景與價(jià)值
1.1.1推薦系統(tǒng)的背景
1.1.2典型的推薦系統(tǒng)應(yīng)用
1.2推薦系統(tǒng)是如何工作的
1.2.1推薦系統(tǒng)的基本任務(wù)
1.2.2推薦系統(tǒng)的工作過(guò)程
1.2.3推薦系統(tǒng)的原理
1.3推薦系統(tǒng)的歷史與分類
1.3.1推薦系統(tǒng)的發(fā)展歷史
1.3.2推薦算法的分類
1.4推薦系統(tǒng)評(píng)測(cè)
1.4.1推薦系統(tǒng)的評(píng)測(cè)方法
1.4.2推薦系統(tǒng)的評(píng)測(cè)指標(biāo)
參考文獻(xiàn)
第2章生產(chǎn)環(huán)境下的推薦系統(tǒng)
2.1推薦系統(tǒng)的業(yè)務(wù)流程
2.1.1推薦總體流程
2.1.2召回環(huán)節(jié)
2.1.3排序環(huán)節(jié)
2.1.4后處理調(diào)整
2.2推薦系統(tǒng)的主要業(yè)務(wù)模塊
2.2.1數(shù)據(jù)采集與處理模塊
2.2.2特征工程模塊
2.2.3推薦算法模塊
2.2.4用戶交互模塊
2.3推薦系統(tǒng)架構(gòu)設(shè)計(jì)
2.3.1總體業(yè)務(wù)架構(gòu)
2.3.2數(shù)據(jù)層
2.3.3算法層
2.3.4系統(tǒng)層
2.4線上系統(tǒng)的A/B測(cè)試
2.4.1前端接口
2.4.2數(shù)據(jù)讀取接口
2.4.3測(cè)試及評(píng)估接口
2.4.4監(jiān)控接口
參考文獻(xiàn)
第3章機(jī)器學(xué)習(xí)算法基礎(chǔ)
3.1機(jī)器學(xué)習(xí)算法概述
3.1.1機(jī)器學(xué)習(xí)算法基本過(guò)程
3.1.2機(jī)器學(xué)習(xí)算法的分類
3.2線性回歸算法
3.2.1線性回歸模型
3.2.2線性回歸模型的損失函數(shù)
3.2.3梯度下降求解線性回歸模型參數(shù)的值
3.2.4線性回歸算法正則化
3.2.5實(shí)驗(yàn)
3.2.6線性回歸算法特點(diǎn)
3.3邏輯回歸算法
3.3.1邏輯回歸模型
3.3.2邏輯回歸損失函數(shù)
3.3.3梯度下降求解值
3.3.4邏輯回歸算法的正則化
3.3.5實(shí)驗(yàn)
3.3.6邏輯回歸算法特點(diǎn)
3.4決策樹(shù)
3.4.1決策樹(shù)的結(jié)構(gòu)
3.4.2決策樹(shù)算法
3.4.3決策樹(shù)算法總結(jié)
3.4.4基于sklearn的決策樹(shù)實(shí)驗(yàn)
3.5樸素貝葉斯
3.5.1樸素貝葉斯相關(guān)的統(tǒng)計(jì)學(xué)知識(shí)
3.5.2樸素貝葉斯模型
3.5.3總結(jié)
3.5.4基于sklearn的NaiveBayes實(shí)驗(yàn)
3.6神經(jīng)網(wǎng)絡(luò)
3.6.1神經(jīng)元模型
3.6.2全連接神經(jīng)網(wǎng)絡(luò)
3.6.3卷積神經(jīng)網(wǎng)絡(luò)
3.6.4循環(huán)神經(jīng)網(wǎng)絡(luò)
3.6.5圖神經(jīng)網(wǎng)絡(luò)
3.6.6實(shí)驗(yàn)評(píng)估
參考文獻(xiàn)
第4章典型推薦算法
4.1推薦算法相關(guān)知識(shí)
4.1.1推薦算法的分類
4.1.2推薦系統(tǒng)中的隱式反饋、顯式反饋
4.1.3推薦系統(tǒng)中的損失函數(shù)
4.2非個(gè)性化推薦算法
4.2.1基于流行度的推薦方法
4.2.2基于關(guān)聯(lián)規(guī)則的推薦方法
4.3基于內(nèi)容的推薦
4.3.1基本思想和過(guò)程
4.3.2一個(gè)基于內(nèi)容推薦的示例
4.3.3基于標(biāo)簽的推薦
4.4基于統(tǒng)計(jì)（相似度）的方法
4.4.1基于用戶的協(xié)同過(guò)濾
4.4.2基于物品的協(xié)同過(guò)濾
4.5基于矩陣分解的個(gè)性化推薦
4.5.1Matrix Factorization算法（MF/SVD）
4.5.2BiasSVD算法
4.5.3SVD 算法
4.5.4WRMF和EALS算法
4.6基于物品的協(xié)同過(guò)濾
4.6.1背景簡(jiǎn)介
4.6.2SLIM算法
4.6.3FISM算法
參考文獻(xiàn)
第5章點(diǎn)擊率預(yù)估算法
5.1推薦系統(tǒng)中的召回和排序過(guò)程
5.1.1為什么需要召回和排序環(huán)節(jié)
5.1.2召回、排序環(huán)節(jié)的典型方法
5.2點(diǎn)擊率預(yù)測(cè)簡(jiǎn)介
5.3邏輯回歸模型
5.3.1背景
5.3.2基于LR模型的CTR預(yù)測(cè)流程
5.3.3實(shí)驗(yàn)
5.4因式分解機(jī)模型
5.4.1背景
5.4.2FM模型原理
5.4.3實(shí)驗(yàn)
5.5梯度提升樹(shù)模型
5.5.1背景
5.5.2模型原理
5.5.3實(shí)驗(yàn)
5.6梯度提升樹(shù) 邏輯回歸模型（GBDT LR）
5.6.1背景
5.6.2模型原理
5.6.3實(shí)驗(yàn)
5.7基于深度學(xué)習(xí)的CTR模型
5.7.1模型的記憶能力和泛化能力
5.7.2Wide&Deep模型
5.7.3DeepFM模型
5.7.4xDeepFM模型
5.7.5實(shí)驗(yàn)
5.8本章小結(jié)
參考文獻(xiàn)
第6章基于深度學(xué)習(xí)的推薦算法
6.1為什么需要深度學(xué)習(xí)
6.1.1推薦算法應(yīng)用的挑戰(zhàn)
6.1.2深度學(xué)習(xí)的優(yōu)勢(shì)
6.2深度學(xué)習(xí)與推薦系統(tǒng)的分類
6.2.1表征學(xué)習(xí)
6.2.2交互建模
6.3基于深度學(xué)習(xí)的矩陣分解推薦算法DeepMF
6.3.1背景
6.3.2模型原理
6.3.3實(shí)驗(yàn)
6.3.4模型總結(jié)
6.4基于深度學(xué)習(xí)的協(xié)同過(guò)濾推薦算法NeuralCF
6.4.1背景
6.4.2模型原理
6.4.3實(shí)驗(yàn)
6.4.4模型總結(jié)
6.5基于深度學(xué)習(xí)的物品協(xié)同過(guò)濾算法DICF
6.5.1DICF模型結(jié)構(gòu)
6.5.2DICF模型優(yōu)化
6.5.3實(shí)驗(yàn)評(píng)估
6.5.4DICF模型總結(jié)
6.6基于GNN的協(xié)同過(guò)濾算法
6.6.1背景
6.6.2模型原理
6.6.3實(shí)驗(yàn)
6.6.4模型改進(jìn)
6.6.5模型總結(jié)
6.7基于GNN的混合推薦算法
6.7.1DiffNet模型
6.7.2AGCN模型
6.8本章小結(jié)
參考文獻(xiàn)
第7章一個(gè)簡(jiǎn)易的推薦系統(tǒng)
7.1簡(jiǎn)易推薦系統(tǒng)需求描述
7.1.1數(shù)據(jù)集準(zhǔn)備
7.1.2推薦模型準(zhǔn)備
7.1.3構(gòu)建在線推薦接口
7.2數(shù)據(jù)集處理
7.2.1用戶數(shù)據(jù)處理
7.2.2物品（電影）數(shù)據(jù)處理
7.2.3評(píng)分?jǐn)?shù)據(jù)處理
7.2.4構(gòu)建數(shù)據(jù)讀取器
7.3基于PaddlePaddle實(shí)現(xiàn)的神經(jīng)網(wǎng)絡(luò)推薦模型
7.3.1用戶特征向量構(gòu)造
7.3.2電影特征向量構(gòu)造
7.3.3模型訓(xùn)練和參數(shù)保存
7.4模擬在線電影推薦
第8章推薦系統(tǒng)中的問(wèn)題與挑戰(zhàn)
8.1冷啟動(dòng)問(wèn)題
8.1.1冷啟動(dòng)問(wèn)題定義
8.1.2冷啟動(dòng)解決方法
8.2數(shù)據(jù)稀疏性問(wèn)題
8.2.1數(shù)據(jù)稀疏問(wèn)題定義
8.2.2數(shù)據(jù)稀疏問(wèn)題解決方法
8.3推薦可解釋性問(wèn)題
8.3.1可解釋問(wèn)題定義
8.3.2推薦解釋方法
8.4大數(shù)據(jù)處理與增量計(jì)算問(wèn)題
8.4.1大數(shù)據(jù)問(wèn)題定義
8.4.2大數(shù)據(jù)問(wèn)題解決方法
8.5數(shù)據(jù)偏差問(wèn)題
8.5.1數(shù)據(jù)偏差問(wèn)題定義
8.5.2緩解數(shù)據(jù)偏差的方法
8.6其他問(wèn)題
8.6.1時(shí)效性問(wèn)題
8.6.2多樣性問(wèn)題
8.6.3用戶意圖檢測(cè)問(wèn)題
參考文獻(xiàn)
展開(kāi)全部
書(shū)友推薦
- >
經(jīng)典常談
- >
羅曼·羅蘭讀書(shū)隨筆-精裝
- >
人文閱讀與收藏·良友文學(xué)叢書(shū):一天的工作
- >
月亮與六便士
- >
有舍有得是人生
- >
我從未如此眷戀人間
- >
小考拉的故事-套裝共3冊(cè)
- >
姑媽的寶刀
本類暢銷
