Официальная практика подлинных рекомендаций по алгоритму системы Huang Meiling Редактор AI Maning Mining Рекомендации по книгам книги и алгоритм сортировки Подробный объяснение алгоритма алгоритма AI Данные
Цена: 881руб. (¥48.95)
Артикул: 618607036085
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:蚌埠新华书店图书专营店
Адрес:Аньхой
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥32.34582руб.
¥17.04307руб.
¥91.731 650руб.
¥37.35672руб.
Введение
 Книга объясняется в принципе постепенного прогресса.Прежде всего, введите математическую основу алгоритма рекомендаций в системе рекомендаций, платформы, инструментального фундамента и конкретной системы рекомендаций алгоритма рекомендаций.Во -вторых, алгоритм отзыва в системе рекомендаций в основном включает в себя отзыв кооперативного фильтра, основанный на аналогичном поведении и аналогичных отзывах Word2VEC на основе контента, и вводит ее реализацию и применение в основных инструментах Spark и TensorFlow.В -третьих, объясните алгоритм сортировки в системе рекомендаций, включая линейные модели, модели деревьев и модели глубокого обучения. Полем*Позже представьте 4 практических случая, рекомендающих алгоритмы, чтобы помочь читателям выполнить инженерную практику и применение, и представить, как разработка кода и отладка алгоритма на ноутбуке, чтобы помочь читателям повысить эффективность работы их работы.
Оглавление
Оглавление
Часть 1 Алгоритм Фонд системы рекомендаций
Глава 1 Математическая база 2
1.1 Линейная алгебра 2
1.2 Вероятность и статистика 5
1.3 Функция потери 7
1.4 Метод оптимизации 8
1.4.1 SGD 8
1.4.2 импульс 8
1.4.3 Nesterov Momentum 9
1.4.4 AdaGrad 9
1.4.5 Adam 10
1.4.6 L-BFGS 10
1.4.7 Сравнение метода градиента и ньютоновского метода 11
1.5 Метод оценки 11
1.5.1 Матрица путаницы 11
1.5.2 Кривая ROC 13
Глава 2 Рекомендуемое введение в систему 17
2.1 Рекомендуемая система системы 17
2.2 Типичные случаи системы рекомендаций 18
2.2.1 *** Рекомендуется 19
2.2.2 Рекомендация Facebook 21
2.2.3 YouTube рекомендуется 22
2.3 Рекомендуемые системные принципы 23
Глава 3 Рекомендуемый инструмент алгоритма 26
3.1 Python Sklearn Machine Learning Library 26
3.1.1 Sklearn Введение 26
3.1.2 Процесс моделирования Sklearn 27
3.2 Библиотека машинного обучения Spark Mllib 28
3.2.1 Mllib Введение 28
3.2.2 Процесс моделирования Mllib 29
3.3 TensorFlow 31
3.3.1 TensorFlow Введение 31
3.3.2 Процесс моделирования TensorFlow 31
3.4 Введение ноутбука 32
3.4.1 Zeppelin Notebbook Введение 32
3.4.2 jupyter Notebbook Введение 36
Часть 2 Алгоритм отзыва системы рекомендаций
Глава 4 Совместный фильтр——
4.1 Скоординированный алгоритм фильтрации 40
4.1.1 Резюме рекомендации по совместному фильтру 40
4.1.2 Пользовательский рейтинг 41
4.1.3 Расчет сходства 41
4.1.4 Рекомендуемое расчет 43
4.2 Рекомендация по совместному фильтру Алгоритм Алгоритм 44
4.2.1 Расчет сходства и рекомендации 47
4.2.2 Совместная рекомендация 54
4.2.3 Результаты запуска 59
Глава 5 Word2Vec——
5.1 Algorithm Word2VEC 65
5.1.1 Языковая модель 65
5.1.2 CBOW ONE-WORD CENTEXTRAD MODEL 66
5.1.3 CBOW Multi-Word Context Model 71
5.1.4 Skip-Gram Model 72
5.1.5 Hierarchical Softmax 74
5.1.6 Negative Sampling 74
5.2 Word2VEC Экземпляр 75
5.2.1 Spark Realization 75
5.2.2 Реализация TensorFlow 80
Часть 3 Алгоритм сортировки рекомендуемой системы—— линейная модель
ГЛАВА 6 ЛОГИЧЕСКОЕ возврат 86
6.1 Алгоритм логической регрессии 86
6.1.1 Модель бинарной логической регрессии 86
6.1.2 Оценка параметра модели 88
6.1.3 Модель многоогической регрессии (регрессия Softmax) 88
6.1.4 СЕТИВНАЯ СТРАНСТИ СТРОИТЕЛЬСТВА ЛОГИЧЕСКОЙ РЕГРАЦИИ 89
6.1.5 Алгоритм падения градиента 90
6.1.6 регуляризация 91
6.2 Регрессия логической регрессии 93
6.2.1 Реализация Sklearn 93
6.2.2 Spark Realization 98
6.2.3 Реализация TensorFlow 108
6.2.4 Сводка эффекта 114
ГЛАВА 7 ДЕКОПРОВОДСТВО ФАКТА (FM) 115
7.1 FM -алгоритм 115
7.1.1 FM Model 115
7.1.2 FFM Model 118
7.1.3 Страница сети модели FM 119
7.2 Реализация FM 120
7.2.1 Реализация Sklearn 120
7.2.2 Реализация TensorFlow 122
7.2.3 Сводка эффекта 128
Часть 4 Алгоритм сортировки рекомендуемой системы——
Глава 8 Дерево решений 130
8.1 Алгоритм дерева решений 130
8.1.1 Модель дерева решений 130
8.1.2 Выбор функций 131
8.1.3 Генерация дерева решений 133
8.1.4 Примеры генерации дерева решений 134
8.1.5 ветви дерева решений 135
8.2 Алгоритм интеграции дерева решений 136
8.2.1 Интегрированный классификатор 136
8.2.2 Случайный лес 137
8.2.3 GBDT 137
8.3 Алгоритм сбора дерева решений Пример 139
8.3.1 Spark Realization 139
8.3.2 Sklearn Realization 149
8.3.3 Сводка эффекта 154
Глава 9 Интегрированное обучение 155
9,1 GBDT+алгоритм LR 155
9.1.1 Фон 155
9.1.2 GBDT+LR Структура сети 156
9.2 Алгоритм глубокого леса 159
9.2.1 Введение в глубокое лес 159
9.2.2 Уровень United Forest 160
9.2.3 Multi -Scale Scan 161
9.3 Ингредиенты дерева решений 162
9.4 Интегрированное пример обучения 164
9.4.1 GBDT+LR Реализация 164
9.4.2 Реализация глубокого леса 167
9.4.3 Резюме эффекта 175
Часть 5 Алгоритм сортировки рекомендуемой системы——
Глава 10 Применение глубокого обучения в рекомендуемом алгоритме 178
10.1 Особенности рекомендуемой модели 178
10.2 Рекомендуемая модель на основе глубокого обучения 179
10.2.1 DNN Оптимизированные функции высокого уровня 179
10.2.2 Высокоуровневая функция Cross и низкоуровневое функция Cross 181
10.2.3 Оптимизация по пересечению персонажей 183
10.2.4 Оптимизация соединения функции 184
10.2.5 Оптимизация функции высокого уровня 185
10.2.6 Глубокие интересные характеристики оптимизации разнообразия 186
Глава 11 DNN Алгоритм 189
11.1 Алгоритм искусственной нейронной сети 189
11.1.1 Нейроны 189
11.1.2 Модель нейронной сети 191
11.1.3 Первичное распространение сигнала 191
11.1.4 Обратная связь ошибки 193
11.2 Метод оптимизации DNN 195
11.2.1 Оптимизированный параметр 196
11.2.2 Механизм внимания 197
11.3 DNN Encament 198
11.4 Результаты запуска 205
Глава 12 Широкая и глубокая модель 206
12.1 Широкая и глубокая модель Резюме 206
12.1.1 Широкая модель 208
12.1.2 Глубокая модель 209
12.1.3 Модельная совместная тренировка 210
12.2 Широкая и глубокая реализация 211
12.2.1 Рекомендуемое введение в систему 211
12.2.2 Системный процесс 212
12.2.3 генерация обучающих данных 213
12.2.4 Обучение модели 213
12.2.5 онлайн -приложение 214
12.3 Широкий и глубокий экземпляр 214
12.4 Результаты запуска 219
Глава 13 DeepFM Модель 225
13.1 Резюме модели DeepFM 225
13.1.1 FM -компонент 226
13.1.2 Глубокий компонент 228
13.1.3 Сравнение модели 229
13.2 Экземпляр DeepFM Model 231
13.3 Результаты запуска 241
ГЛАВА 14 YouTube Глубокая нейронная сеть Модель 243
14.1 YouTube Рекомендуемая модель 243
14.1.1. Введение 243
14.1.2 Отзыв модель дизайн 245
14.1.3 Дизайн модели сортировки 250
14.2 Экземпляр YouTube 252
14.3 Результаты запуска 256
Часть 6 Практика алгоритма системы рекомендаций
Глава 15 Практика——
15.1 Введение. 260
15.2 Выбор модели 261
15.3 Разработка алгоритма 261
Глава 16 Практика——
16.1 Введение. 266
16.2 Подготовка данных 266
16.3 Обработка функций 268
16.4 Выбор модели 270
16.5 Разработка алгоритма 271
Глава 17 Практика——
17.1 Введение. 275
17.2 Подготовка данных 277
17.3 Обработка функций 283
17.4 Выбор модели 284
17.4.1 FFM 285
17.4.2 XGBoost 288
17.4.3 Интегрированное обучение 292
17.5 Разработка алгоритма 292
Глава 18 Практика——
18.1 Введение. 297
18.2 Подготовка данных 298
18.3 Обработка функций 302
18.4 Выбор модели 303
18.5 Разработка алгоритма 304
18.6 Результаты пробега 309
Глава 19 Практика записной книжки 312
19.1 Практика LR в Sklearn 312
19.2 LR Практика в Tensorflow 316
19.3 LR Практика в Spark 321
19.4 Практика отладки FM в Tensorflow 327
19.5 Скоординированная практика фильтрации и отладки в Spark 331
об авторе
  
Рекомендуемая рекомендация
Эта книга подходит для сотрудников в области искусственного интеллекта, интеллектуального анализа данных и больших данных.