掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
個性化機器學習 版權信息
- ISBN：9787111762270
- 條形碼：9787111762270 ; 978-7-111-76227-0
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
個性化機器學習 本書特色
·源于作者在加利福尼亞大學圣迭戈分校講授的“推薦系統”和“網絡挖掘”課程，在線提供代碼示例和數據集，適合**次接觸機器學習相關課程的讀者。 ·涵蓋從電子商務到健康領域的一系列案例研究，專注于在大型的真實數據集上構建示例，提高讀者為不同應用設計模型和系統的能力。 ·快速構建可行的解決方案，并涵蓋廣泛的方法，而不是過于深入研究某一種方法背后的理論知識，幫助讀者了解構建系統時的實際考慮因素。
個性化機器學習 內容簡介
本書主要介紹支持各種設置和模態的個性化預測模型設計的通用原理和方法。首先修訂“傳統”機器學習模型，重點關注如何使它們適應涉及用戶數據的設置，然后介紹基于矩陣分解、深度學習和生成式建模等高級原理的技術，zui后詳細研究部署個性化預測系統的影響和風險。
個性化機器學習 目錄
譯者序
前言
常用數學符號
常用縮寫
第1章 引言 1
1.1 本書寫作目的 1
1.2 對于學習者：涵蓋的內容和未涵蓋的內容 2
1.3 對于講師：課程和內容大綱 3
1.4 在線資源 4
1.5 關于作者 5
1.6 日常生活中的個性化 5
1.6.1 推薦 5
1.6.2 個性化健康 6
1.6.3 計算社會科學 6
1.6.4 語言生成、個性化對話和交互式代理 7
1.7 個性化技術 7
1.7.1 作為流形的用戶表示 7
1.7.2 上下文個性化和基于模型的個性化 8
1.8 個性化的倫理和影響 8
**部分 機器學習入門
第2章 回歸和特征工程 12
2.1 線性回歸 13
2.2 評估回歸模型 16
2.2.1 均方誤差 16
2.2.2 為什么是均方誤差 17
2.2.3 模型參數的極大似然估計 18
2.2.4 決定系數R2 19
2.2.5 如果誤差不是正態分布該怎么辦 20
2.3 特征工程 21
2.3.1 簡單特征變換 21
2.3.2 二元特征和分類特征：獨熱編碼 22
2.3.3 缺失特征 24
2.3.4 時序特征 25
2.3.5 輸出變量的轉換 26
2.4 解釋線性模型參數 27
2.5 梯度下降擬合模型 28
2.6 非線性回歸 29
習題 30
項目1：出租車小費預測（第1部分） 31
第3章 分類和學習流程 32
3.1 對數幾率回歸 32
3.1.1 擬合對數幾率回歸器 34
3.1.2 小結 34
3.2 其他分類技術 34
3.3 評估分類模型 35
3.3.1 分類的平衡度量 36
3.3.2 優化平衡錯誤率 37
3.3.3 使用和評估用于排名的分類器 38
3.4 學習流程 41
3.4.1 泛化、過擬合和欠擬合 41
3.4.2 模型復雜度和正則化 43
3.4.3 模型流程準則 46
3.4.4 使用TensorFlow的回歸和分類 47
3.5 實現學習流程 48
習題 51
項目2：出租車小費預測（第2部分） 52
第二部分 個性化機器學習的
基礎知識
第4章 推薦系統簡介 54
4.1 基本設置和問題定義 54
4.2 交互數據的表示 56
4.3 基于記憶的推薦方法 57
4.3.1 定義相似度函數 57
4.3.2 杰卡德相似度 58
4.3.3 余弦相似度 60
4.3.4 皮爾遜相似度 62
4.3.5 使用相似度測量方法進行評分預測 64
4.4 隨機游走方法 65
4.5 案例研究：Amazon.com的推薦 67
習題 68
項目3：針對書籍的推薦系統
（第1部分） 69
第5章 基于模型的推薦方法 70
5.1 矩陣分解 71
5.1.1 擬合潛在因子模型 73
5.1.2 用戶特征或物品特征發生了什么變化 75
5.2 隱式反饋和排序模型 76
5.2.1 樣本重加權方案 76
5.2.2 貝葉斯個性化排序 77
5.3 基于“無用戶”模型的方法 79
5.3.1 稀疏線性方法 80
5.3.2 分解的物品相似度模型 81
5.3.3 其他無用戶方法 81
5.4 評估推薦系統 82
5.4.1 精確率@K和召回率@K 83
5.4.2 平均倒數排名 83
5.4.3 累積增益和NDCG 84
5.4.4 模型準確率之外的評估指標 84
5.5 用于推薦的深度學習 84
5.5.1 為什么是內積 84
5.5.2 基于多層感知機的推薦 85
5.5.3 基于自編碼器的推薦 87
5.5.4 卷積和循環網絡 88
5.5.5 基于深度學習的推薦器能多有效 88
5.6 檢索 89
5.7 在線更新 90
5.8 Python中帶有Surprise庫和Implicit庫的推薦系統 90
5.8.1 潛在因子模型 91
5.8.2 貝葉斯個性化排序 91
5.8.3 在TensorFlow中實現潛在因子模型 92
5.8.4 TensorFlow中的貝葉斯個性化排序 92
5.8.5 基于批處理的高效優化 93
5.9 超越推薦的“黑箱”觀點 94
5.10 歷史和新興方向 94
習題 95
項目4：針對書籍的推薦系統
（第2部分） 96
第6章 推薦系統中的內容和結構 97
6.1 分解機 98
6.1.1 神經因子分解機 99
6.1.2 在Python中使用FastFM的分解機 99
6.2 冷啟動推薦 100
6.2.1 用邊信息解決冷啟動問題 101
6.2.2 通過問卷解決冷啟動問題 101
6.3 多邊推薦 102
6.3.1 在線交友 102
6.3.2 易貨平臺 103
6.4 群體感知推薦和社交感知推薦 104
6.4.1 社交感知推薦 104
6.4.2 社交貝葉斯個性化排序 106
6.4.3 群體感知推薦 107
6.4.4 群體貝葉斯個性化排序 108
6.5 推薦系統中的價格動態 109
6.5.1 分離價格和偏好 109
6.5.2 在會話中估計愿意支付的價格 110
6.5.3 價格敏感性和價格彈性 111
6.6 推薦中的其他上下文特征 112
6.6.1 音樂和音頻 112
6.6.2 基于位置的網絡中的推薦 113
6.6.3 時序、文本和視覺特征 114
6.7 在線廣告 114
6.7.1 匹配問題 115
6.7.2 AdWords 115
習題 117
項目5：Amazon上的冷啟動推薦 118
第7章 時序和序列模型 119
7.1 時間序列回歸簡介 119
7.2 推薦系統中的時序動態 121
7.2.1 時序推薦方法 122
7.2.2 案例研究：時序推薦和Netflix競賽 123
7.2.3 關于時序模型Netflix能教會我們什么 126
7.3 時序動態的其他方法 126
7.3.1 意見的長期動態 127
7.3.2 短期動態和基于會話的推薦 127
7.3.3 用戶層面的時間演變 128
7.4 個性化馬爾可夫鏈 129
7.5 案例研究：用于推薦的馬爾可夫鏈模型 130
7.5.1 分解的個性化馬爾可夫鏈 130
7.5.2 社交感知的序列推薦 131
7.5.3 基于局部性的序列推薦 132
7.5.4 基于平移的推薦 133
7.5.5 TensorFlow實現FPMC 134
7.6 循環網絡 135
7.7 基于神經網絡的序列推薦 137
7.7.1 基于循環網絡的推薦 139
7.7.2 注意力機制 139
7.7.3 小結 140
7.8 案例研究：個性化心率建模 141
7.9 個性化時序模型的歷史 142
習題 142
項目6：商業評論中的時序和
序列動態 143
第三部分 個性化機器學習的
新興方向
第8章 文本個性化模型 146
8.1 文本建；A：詞袋模型 146
8.1.1 情感分析 146
8.1.2 N-gram 149
8.1.3 詞相關性和文檔相似度 151
8.1.4 使用tf-idf進行搜索和檢索 153
8.2 分布式詞和物品表示 153
8.2.1 item2vec 155
8.2.2 使用Gensim實現word2vec和item2vec 155
8.3 個性化情感和推薦 156
8.4 個性化文本生成 158
8.4.1 基于RNN的評論生成 160
8.4.2 案例研究：個性化食譜生成 161
8.4.3 基于文本的解釋和證明 162
8.4.4 對話式推薦 163
8.5 案例研究：Google Smart Reply 165
習題 166
項目7：個性化文檔檢索 167
第9章 視覺數據個性化模型 168
9.1 個性化圖像搜索和檢索 168
9.2 視覺感知推薦和個性化排序 169
9.3 案例研究：視覺和時尚兼容性 171
9.3.1 從共同購買中估計兼容性 171
9.3.2 在開放場景的圖像中學習兼容性 173
9.3.3 生成時尚衣柜 174
9.3.4 時尚之外的領域 175
9.3.5 可替代和互補產品推薦的其他技術 175
9.3.6 在TensorFlow中實現兼容模型 177
9.4 圖像的個性化生成模型 178
習題 179
項目8：生成兼容的服裝搭配 180
第10章 個性化機器學習的影響 182
10.1 度量多樣性 183
10.2 過濾氣泡、多樣性和極端化 184
10.2.1 通過模擬探索多樣性 184
10.2.2 實證度量推薦多樣性 185
10.2.3 審核極端內容的途徑 185
10.3 多樣化技術 186
10.3.1 *大邊緣相關 186
10.3.2 多樣化推薦的其他重排序方法 187
10.3.3 行列式點過程 187
10.4 實現一個多樣化推薦器 189
10.5 關于推薦和消費多樣性的案例研究 191
10.5.1 Spotify上的多樣性 191
10.5.2 過濾氣泡和在線新聞消費 192
10.6 準確率之外的其他指標 194
10.6.1 驚喜度 194
10.6.2 意外度 195
10.6.3 校準 196
10.7 公平性 197
10.7.1 多方面公平性 198
10.7.2 在TensorFlow中實現公平性目標 199
10.8 關于推薦中性別偏置的案例研究 200
10.8.1 數據重采樣和流行度偏置 200
10.8.2 書籍推薦中的偏置和作者性別 201
10.8.3 營銷中的性別偏置 201
習題 202
項目9：多樣性和公平推薦 203
參考文獻 204
前言
常用數學符號
常用縮寫
第1章 引言 1
1.1 本書寫作目的 1
1.2 對于學習者：涵蓋的內容和未涵蓋的內容 2
1.3 對于講師：課程和內容大綱 3
1.4 在線資源 4
1.5 關于作者 5
1.6 日常生活中的個性化 5
1.6.1 推薦 5
1.6.2 個性化健康 6
1.6.3 計算社會科學 6
1.6.4 語言生成、個性化對話和交互式代理 7
1.7 個性化技術 7
1.7.1 作為流形的用戶表示 7
1.7.2 上下文個性化和基于模型的個性化 8
1.8 個性化的倫理和影響 8
**部分 機器學習入門
第2章 回歸和特征工程 12
2.1 線性回歸 13
2.2 評估回歸模型 16
2.2.1 均方誤差 16
2.2.2 為什么是均方誤差 17
2.2.3 模型參數的極大似然估計 18
2.2.4 決定系數R2 19
2.2.5 如果誤差不是正態分布該怎么辦 20
2.3 特征工程 21
2.3.1 簡單特征變換 21
2.3.2 二元特征和分類特征：獨熱編碼 22
2.3.3 缺失特征 24
2.3.4 時序特征 25
2.3.5 輸出變量的轉換 26
2.4 解釋線性模型參數 27
2.5 梯度下降擬合模型 28
2.6 非線性回歸 29
習題 30
項目1：出租車小費預測（第1部分） 31
第3章 分類和學習流程 32
3.1 對數幾率回歸 32
3.1.1 擬合對數幾率回歸器 34
3.1.2 小結 34
3.2 其他分類技術 34
3.3 評估分類模型 35
3.3.1 分類的平衡度量 36
3.3.2 優化平衡錯誤率 37
3.3.3 使用和評估用于排名的分類器 38
3.4 學習流程 41
3.4.1 泛化、過擬合和欠擬合 41
3.4.2 模型復雜度和正則化 43
3.4.3 模型流程準則 46
3.4.4 使用TensorFlow的回歸和分類 47
3.5 實現學習流程 48
習題 51
項目2：出租車小費預測（第2部分） 52
第二部分 個性化機器學習的
基礎知識
第4章 推薦系統簡介 54
4.1 基本設置和問題定義 54
4.2 交互數據的表示 56
4.3 基于記憶的推薦方法 57
4.3.1 定義相似度函數 57
4.3.2 杰卡德相似度 58
4.3.3 余弦相似度 60
4.3.4 皮爾遜相似度 62
4.3.5 使用相似度測量方法進行評分預測 64
4.4 隨機游走方法 65
4.5 案例研究：Amazon.com的推薦 67
習題 68
項目3：針對書籍的推薦系統
（第1部分） 69
第5章 基于模型的推薦方法 70
5.1 矩陣分解 71
5.1.1 擬合潛在因子模型 73
5.1.2 用戶特征或物品特征發生了什么變化 75
5.2 隱式反饋和排序模型 76
5.2.1 樣本重加權方案 76
5.2.2 貝葉斯個性化排序 77
5.3 基于“無用戶”模型的方法 79
5.3.1 稀疏線性方法 80
5.3.2 分解的物品相似度模型 81
5.3.3 其他無用戶方法 81
5.4 評估推薦系統 82
5.4.1 精確率@K和召回率@K 83
5.4.2 平均倒數排名 83
5.4.3 累積增益和NDCG 84
5.4.4 模型準確率之外的評估指標 84
5.5 用于推薦的深度學習 84
5.5.1 為什么是內積 84
5.5.2 基于多層感知機的推薦 85
5.5.3 基于自編碼器的推薦 87
5.5.4 卷積和循環網絡 88
5.5.5 基于深度學習的推薦器能多有效 88
5.6 檢索 89
5.7 在線更新 90
5.8 Python中帶有Surprise庫和Implicit庫的推薦系統 90
5.8.1 潛在因子模型 91
5.8.2 貝葉斯個性化排序 91
5.8.3 在TensorFlow中實現潛在因子模型 92
5.8.4 TensorFlow中的貝葉斯個性化排序 92
5.8.5 基于批處理的高效優化 93
5.9 超越推薦的“黑箱”觀點 94
5.10 歷史和新興方向 94
習題 95
項目4：針對書籍的推薦系統
（第2部分） 96
第6章 推薦系統中的內容和結構 97
6.1 分解機 98
6.1.1 神經因子分解機 99
6.1.2 在Python中使用FastFM的分解機 99
6.2 冷啟動推薦 100
6.2.1 用邊信息解決冷啟動問題 101
6.2.2 通過問卷解決冷啟動問題 101
6.3 多邊推薦 102
6.3.1 在線交友 102
6.3.2 易貨平臺 103
6.4 群體感知推薦和社交感知推薦 104
6.4.1 社交感知推薦 104
6.4.2 社交貝葉斯個性化排序 106
6.4.3 群體感知推薦 107
6.4.4 群體貝葉斯個性化排序 108
6.5 推薦系統中的價格動態 109
6.5.1 分離價格和偏好 109
6.5.2 在會話中估計愿意支付的價格 110
6.5.3 價格敏感性和價格彈性 111
6.6 推薦中的其他上下文特征 112
6.6.1 音樂和音頻 112
6.6.2 基于位置的網絡中的推薦 113
6.6.3 時序、文本和視覺特征 114
6.7 在線廣告 114
6.7.1 匹配問題 115
6.7.2 AdWords 115
習題 117
項目5：Amazon上的冷啟動推薦 118
第7章 時序和序列模型 119
7.1 時間序列回歸簡介 119
7.2 推薦系統中的時序動態 121
7.2.1 時序推薦方法 122
7.2.2 案例研究：時序推薦和Netflix競賽 123
7.2.3 關于時序模型Netflix能教會我們什么 126
7.3 時序動態的其他方法 126
7.3.1 意見的長期動態 127
7.3.2 短期動態和基于會話的推薦 127
7.3.3 用戶層面的時間演變 128
7.4 個性化馬爾可夫鏈 129
7.5 案例研究：用于推薦的馬爾可夫鏈模型 130
7.5.1 分解的個性化馬爾可夫鏈 130
7.5.2 社交感知的序列推薦 131
7.5.3 基于局部性的序列推薦 132
7.5.4 基于平移的推薦 133
7.5.5 TensorFlow實現FPMC 134
7.6 循環網絡 135
7.7 基于神經網絡的序列推薦 137
7.7.1 基于循環網絡的推薦 139
7.7.2 注意力機制 139
7.7.3 小結 140
7.8 案例研究：個性化心率建模 141
7.9 個性化時序模型的歷史 142
習題 142
項目6：商業評論中的時序和
序列動態 143
第三部分 個性化機器學習的
新興方向
第8章 文本個性化模型 146
8.1 文本建；A：詞袋模型 146
8.1.1 情感分析 146
8.1.2 N-gram 149
8.1.3 詞相關性和文檔相似度 151
8.1.4 使用tf-idf進行搜索和檢索 153
8.2 分布式詞和物品表示 153
8.2.1 item2vec 155
8.2.2 使用Gensim實現word2vec和item2vec 155
8.3 個性化情感和推薦 156
8.4 個性化文本生成 158
8.4.1 基于RNN的評論生成 160
8.4.2 案例研究：個性化食譜生成 161
8.4.3 基于文本的解釋和證明 162
8.4.4 對話式推薦 163
8.5 案例研究：Google Smart Reply 165
習題 166
項目7：個性化文檔檢索 167
第9章 視覺數據個性化模型 168
9.1 個性化圖像搜索和檢索 168
9.2 視覺感知推薦和個性化排序 169
9.3 案例研究：視覺和時尚兼容性 171
9.3.1 從共同購買中估計兼容性 171
9.3.2 在開放場景的圖像中學習兼容性 173
9.3.3 生成時尚衣柜 174
9.3.4 時尚之外的領域 175
9.3.5 可替代和互補產品推薦的其他技術 175
9.3.6 在TensorFlow中實現兼容模型 177
9.4 圖像的個性化生成模型 178
習題 179
項目8：生成兼容的服裝搭配 180
第10章 個性化機器學習的影響 182
10.1 度量多樣性 183
10.2 過濾氣泡、多樣性和極端化 184
10.2.1 通過模擬探索多樣性 184
10.2.2 實證度量推薦多樣性 185
10.2.3 審核極端內容的途徑 185
10.3 多樣化技術 186
10.3.1 *大邊緣相關 186
10.3.2 多樣化推薦的其他重排序方法 187
10.3.3 行列式點過程 187
10.4 實現一個多樣化推薦器 189
10.5 關于推薦和消費多樣性的案例研究 191
10.5.1 Spotify上的多樣性 191
10.5.2 過濾氣泡和在線新聞消費 192
10.6 準確率之外的其他指標 194
10.6.1 驚喜度 194
10.6.2 意外度 195
10.6.3 校準 196
10.7 公平性 197
10.7.1 多方面公平性 198
10.7.2 在TensorFlow中實現公平性目標 199
10.8 關于推薦中性別偏置的案例研究 200
10.8.1 數據重采樣和流行度偏置 200
10.8.2 書籍推薦中的偏置和作者性別 201
10.8.3 營銷中的性別偏置 201
習題 202
項目9：多樣性和公平推薦 203
參考文獻 204
展開全部
個性化機器學習 作者簡介
朱利安·麥考利（Julian McAuley）加州大學圣地亞哥分校教授。他的主要研究領域是個性化機器學習，其應用范圍從個性化推薦到對話、醫療保健和時裝設計。他與亞馬遜、Facebook、微軟、Salesforce和Etsy等公司有廣泛的合作，并曾獲得眾多獎項，包括美國國家科學基金會職業獎，以及亞馬遜、Salesforce、Facebook和高通等公司的教師獎。
書友推薦
- >
龍榆生：詞曲概論/大家小書
- >
自卑與超越
- >
中國歷史的瞬間
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
史學評論
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
唐代進士錄
- >
上帝之肋:男人的真實旅程
本類暢銷
