新書推薦：
《
民国词社沤社研究
》
售價：HK$
140.8
《
帕纳索传来的消息（文艺复兴译丛）
》
售價：HK$
108.9
《
DK威士忌大百科
》
售價：HK$
294.8
《
小白学编织
》
售價：HK$
65.8
《
Android游戏开发从入门到精通 第2版 王玉芹
》
售價：HK$
108.9
《
西班牙内战：秩序崩溃与激荡的世界格局：1936-1939
》
售價：HK$
217.8
《
非对称创新：中国企业赶超战略 魏江 刘洋
》
售價：HK$
108.9
《
潜能觉醒
》
售價：HK$
86.9
|
| 編輯推薦： |
《Python推荐系统实战：基于深度学习、NLP和图算法的应用型推荐系统》从基本方法、流行方法、先进方法及新技术四个层面来介绍如何自己动手构建推荐系统。通过本书的学习，读者可以掌握推荐系统的基本概念，了解不同类型的推荐引擎及其功能，学会使用传统算法来构建推荐系统和混合推荐系统，使用聚类和分类算法来构建基于机器学习的推荐系统。《Python推荐系统实战：基于深度学习、NLP和图算法的应用型推荐系统》可引导读者运用自然语言处理、深度学习和知识图谱来实现推荐系统，从而实现业务的增长。
特色主题：
使用Python来理解和实现不同的推荐系统
掌握协同过滤、超市购物车分析和矩阵分解等
构建基于内容和协同过滤的混合推荐系统
运用机器学习、NLP和深度学习来构建推荐系统
|
| 內容簡介： |
|
《Python推荐系统实战：基于深度学习、NLP和图算法的应用型推荐系统》分为4部分，包含11章。首先介绍推荐系统的基本方法，接着探讨当前流行的一些方法，具体包括协同过滤推荐系统、内容推荐系统以及混合推荐系统。接下来讨论如何运用当前的机器学习算法来实现推荐系统。最后讨论推荐系统的相关趋势和新兴技术。 《Python推荐系统实战：基于深度学习、NLP和图算法的应用型推荐系统》特别适合零基础的数据科学工作者参考和使用。它可以帮助读者从基础知识起步，逐步学习运用Python、深度学习和自然语言处理技术来构建推荐系统，以促进业务增长和提高客户忠诚度。
|
| 關於作者： |
著译者简介
阿克谢·库尔卡尼（Akshay Kulkarni）
阿克谢·库尔卡尼是人工智能（AI）和机器学习（ML）领域的布道师和意见领袖。他主要为财富500强和全球多家企业提供咨询服务，帮助客户实现由AI和数据科学驱动的战略转型。作为一名谷歌开发者和技术作家，他经常受邀参加AI和数据科学大会（包括OReilly Strata数据和AI会议以及Great International Developer Summit，GIDS），发表主旨演讲。他在多所印度顶级大学的研究生院担任客座教授。2019年，他入选“印度40岁以下最优秀的40位数据科学家”名单。在空闲时间，他喜欢阅读、写作、编程，并乐于帮助有志成为数据科学家的人。他和家人居住在印度班加罗尔。
阿达沙·希瓦南达（Adarsha Shivananda）
阿达沙·希瓦南达是数据科学和MLOps领域的资深专家，致力于培养世界级的MLOps能力和持续交付人工智能的价值。他希望通过培训建立一个优秀的数据科学家团队，以解决客户的各种问题。他在制药、医疗保健、消费品、零售和市场营销领域都具有丰富的经验。他的爱好包括阅读和进行数据科学相关培训。他居住在印度班加罗尔。
安努什·库尔卡尼（Anoosh Kulkarni）
安努什·库尔卡尼是一位数据科学家和人工智能高级顾问。他与全球各行业的客户广泛合作，利用机器学习、自然语言处理（NLP）和深度学习来帮助客户解决业务问题。他乐于指导人们掌握和应用数据科学，主持过许多数据科学/机器学习会议，并乐于帮助有志成为数据科学家的人规划职业生涯。他在大学举办ML/AI研讨会，并积极参与人工智能和数据科学相关的网络研讨会、演讲和大会。他和家人居住在印度班加罗尔。
V. 阿迪西亚·克里希南（V.Adithya Krishnan）
V.阿迪西亚·克里希南是一位数据科学家和MLOps工程师。他与全球各行业的客户合作，利用机器学习来帮助他们解决业务问题。他在人工智能及机器学习领域有丰富的经验，包括时间序列预测、深度学习、NLP、机器学习、图像处理和数据分析。目前，他正在开发一套先进的工具来观察模型的实际应用价值，这套工具包括持续对模型和数据进行监控以及对实现的商业价值进行跟踪。他在IEEE会议发表过一篇论文，题为“基于深度学习的距离估计方法”，该论文与印度国防研究与发展机构（DRDO）联合署名。他和家人居住在印度金奈。
欧拉
欧拉擅长于问题的引导和拆解，目前感兴趣的方向包括机器学习、人工智能和商业分析。
|
| 目錄：
|
第Ⅰ部分 基本方法
第1章?推荐系统简介
什么是推荐引擎 003
推荐引擎的类型 004
基于规则的推荐系统 011
流行度 011
全球流行的商品 013
按国家计算热销商品 014
再次购买 015
小结 016
第2章?超市购物车分析（关联规则挖掘）
实现 017
数据收集 018
清洗数据 019
从数据集获取的洞察 020
基于DateTime的模式 022
免费商品和销售 026
热销商品 034
经常一起购买的商品 037
Apriori算法概念 038
关联规则 040
新建函数 041
关联规则的可视化 043
小结 049
第Ⅱ部分?流行方法
第3章?内容过滤
数据收集和下载词嵌入 054
将数据导入为DataFrame 054
预处理数据 055
文本转为特征 057
OHE 057
词频向量器CountVectorizer 057
TF-IDF 058
词嵌入 058
相似性度量 059
欧几里得距离 059
余弦相似度 060
曼哈顿距离 061
使用CountVectorizer构建模型 062
使用TF-IDF特征构建模型 064
使用Word2vec特征构建模型 065
使用fastText特征构建模型 067
使用GloVe特征构建模型 068
使用共现矩阵构建模型 071
小结 072
第4章?协同过滤
实现 074
数据收集 074
关于数据集 075
基于内存的方法 076
基于客户对客户的协同过滤 078
实现 078
项目对项目的协同过滤 081
实现 082
基于KNN的方法 085
机器学习 085
监督式学习 086
小结 090
第5章?使用矩阵分解、奇异值分解和共聚类的协同过滤
实现矩阵分解、共聚类和SVD 092
实现NMF 096
实现共聚类 098
实现SVD 099
获取推荐 100
小结 104
第6章?混合推荐系统
实现 106
数据收集 106
数据准备 108
模型构建 112
合并训练集和测试集后的最终模型 117
获取推荐 117
小结 119
第Ⅲ部分?先进的机器学习算法
第7章?基于聚类的推荐系统
数据收集和下载所需的词嵌入 125
预处理数据 126
探索性数据分析 127
标签编码 129
模型构建 130
k均值聚类 130
肘部方法 131
层次聚类 131
小结 142
第8章?基于分类算法的推荐系统
方法 143
数据收集以及下载词嵌入 144
以DataFrame（pandas）形式导入数据 144
数据预处理 146
特征工程 152
探索性数据分析 153
模型构建 156
拆分训练集和测试集 157
逻辑回归 157
实现 159
决策树 161
实现 162
随机森林 163
实现 163
KNN 164
实现 164
小结 166
第Ⅳ部分?相关趋势和新技术
第9章?基于深度学习的推荐系统
深度学习（人工神经网络）基础 169
神经协同过滤（NCF） 170
实现 172
数据收集 172
以DataFrame（pandas）形式导入数据 173
数据预处理 174
拆分训练集和测试集 175
建模和推荐 175
小结 180
第10章?基于图的推荐系统
实现 182
小结 191
第11章?新兴领域和新技术
实时推荐 193
对话式推荐 194
上下文感知推荐系统 194
多任务推荐系统 195
联合表征学习 196
小结 198
|
| 內容試閱：
|
近些年来，推荐系统受到了广泛关注，并在不同领域得到广泛应用，有效推动了销量和利润的增长。在这样的背景下，掌握推荐系统的开发技能成为了一项重要的加分项。本书专为有此需求的读者设计，即便是零基础的读者，也能通过本书掌握推荐系统的相关概念，并学会如何开发推荐系统。
本书分为4部分，包含11章。 第Ⅰ部分包含第 1 章和第 2 章，介绍了推荐系统的基本概念和方法。第Ⅱ部分包含第 3 章到第 6 章，探讨了当前流行的推荐方法，如协同过滤推荐系统、内容推荐系统以及混合推荐系统。 第Ⅲ部分包含第 7 章和第 8 章，讨论了如何运用先进的机器学习算法来构建推荐系统。第Ⅳ部分包含第 9 章到第 11 章，讨论了推荐系统的最新发展趋势和新技术。
本书中提供的实现代码和所需数据集可在GitHub上找到，网址为github.com/apress/applied-recommender-systems-python。为了顺利完成本书中的所有项目，建议在Windows或Unix操作系统上安装并运行Python 3.x或更高版本，处理器频率应达到2.0 GHz，内存至少4 GB。可以通过其他渠道或Anaconda下载Python，并使用Jupyter笔记本完成所有编码工作。本书假设读者具有基本的Keras知识并了解如何安装机器学习和深度学习需要用到的基础库。在实践过程中，建议升级或安装书中提及的所有库至最新版本。
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
