reklama - zainteresowany?

Praktyczne systemy rekomendacji - Helion

Praktyczne systemy rekomendacji
ebook
Autor: Kim Falk
ISBN: 9788301213992
stron: 462, Format: ebook
Data wydania: 2020-11-17
Księgarnia: Helion

Cena książki: 95,20 zł (poprzednio: 119,00 zł)
Oszczędzasz: 20% (-23,80 zł)

Dodaj do koszyka Praktyczne systemy rekomendacji

Tagi: Algorytmy - Programowanie | Inne - Programowanie

Książka Praktyczne systemy rekomendacji wyjaśnia sposób działania systemów rekomendacji. Czytelnik dowie się z niej także, jak takie systemy tworzyć i stosować w swoim oprogramowaniu. Autorzy omawiają to zagadnienie, zaczynając od podstawowych informacji, po czym przechodzą do takich kwestii jak zbieranie danych użytkownika czy generowanie spersonalizowanych rekomendacji. Kolejno przedstawiane są również porady dotyczące tego, jak używać najpopularniejszych algorytmów rekomendacyjnych, na przykładach takich stron jak Amazon czy Netflix. Publikacja kończy się omówieniem zagadnień skalowania i innych problemów, które mogą się pojawić, w trakcie rozbudowy systemu rekomendacji. Publikacja jest przeznaczona dla programistów na poziomie średniozaawansowanym, posiadających wiedzę z zakresu baz danych.

Dodaj do koszyka Praktyczne systemy rekomendacji

 

Osoby które kupowały "Praktyczne systemy rekomendacji", wybierały także:

  • Zrozum struktury danych. Algorytmy i praca na danych w Javie
  • Projektowanie oprogramowania dla zupeÅ‚nie poczÄ…tkujÄ…cych. Owoce programowania. Wydanie V
  • Python na maturze. Kurs video. Algorytmy i podstawy j
  • Algorytmy Data Science. Siedmiodniowy przewodnik. Wydanie II
  • Tablice informatyczne. Algorytmy

Dodaj do koszyka Praktyczne systemy rekomendacji

Spis treści

Praktyczne systemy rekomendacji eBook -- spis treści

  • OkÅ‚adka
  • Strona tytuÅ‚owa
  • Strona redakcyjna
  • Spis treÅ›ci
  • przedmowa
  • podziÄ™kowania
  • o tej książce
  • o autorze
  • o okÅ‚adce
  • Część 1. Przygotowanie do systemów rekomendacji
    • 1. Co to jest system rekomendacji?
      • 1.1. Rekomendacje z życia wziÄ™te
        • 1.1.1. Systemy rekomendacji pasujÄ… do Internetu
        • 1.1.2. DÅ‚ugi ogon
        • 1.1.3. System rekomendacji Netfliksa
        • 1.1.4. Definicja systemu rekomendacji
      • 1.2. Taksonomia systemów rekomendacji
        • 1.2.1. Domena
        • 1.2.2. Cel
        • 1.2.3. Kontekst
        • 1.2.4. Poziom personalizacji
        • 1.2.5. Czyje opinie
        • 1.2.6. Prywatność i wiarygodność
        • 1.2.7. Interfejs
        • 1.2.8. Algorytmy
      • 1.3. Uczenie maszynowe i nagroda Netfliksa
      • 1.4. Witryna MovieGEEKs
        • 1.4.1. Projekt i specyfikacja
        • 1.4.2. Architektura
      • 1.5. Budowanie systemu rekomendacji
    • 2. Zachowanie użytkowników i jak zbierać o tym dane
      • 2.1. Jak (wedÅ‚ug mnie) Netflix zbiera dowody podczas przeglÄ…dania
        • 2.1.1. Dowody, które zbiera Netflix
      • 2.2. Znajdowanie przydatnych zachowaÅ„ użytkowników
        • 2.2.1. Przechwytywanie wrażeÅ„ odwiedzajÄ…cych
        • 2.2.2. Czego można siÄ™ dowiedzieć od osoby rozglÄ…dajÄ…cej siÄ™ po sklepie
        • 2.2.3. Akt zakupu
        • 2.2.4. Konsumpcja produktów
        • 2.2.5. Oceny odwiedzajÄ…cych
        • 2.2.6. Poznawanie swoich klientów (starym) sposobem Netfiksa
      • 2.3. Identyfikowanie użytkowników
      • 2.4. Uzyskiwanie danych odwiedzajÄ…cych z innych źródeÅ‚
      • 2.5. ModuÅ‚ zbierajÄ…cy dane
        • 2.5.1. Budowanie plików projektu
        • 2.5.2. Model danych
        • 2.5.3. Snitch: moduÅ‚ zbierajÄ…cy dowody po stronie klienta
        • 2.5.4. Integrowanie moduÅ‚u z MovieGEEKs
      • 2.6. Czym sÄ… użytkownicy w systemie i jak ich modelować
    • 3. Monitorowanie systemu
      • 3.1. Dlaczego dodanie pulpitu nawigacyjnego jest dobrym pomysÅ‚em
        • 3.1.1. Odpowiadanie na pytanie jak nam idzie?
      • 3.2. Obliczanie statystyk
        • 3.2.1. Analityka internetowa
        • 3.2.2. Podstawowe statystyki
        • 3.2.3. Konwersje
        • 3.2.4. Analizowanie Å›cieżki do konwersji
        • 3.2.5. Åšcieżka konwersji
      • 3.3. Persony
      • 3.4. Pulpit nawigacyjny MovieGEEKs
        • 3.4.1. Automatyczne generowanie danych w dzienniku
        • 3.4.2. Specyfikacja i projektowanie analitycznego pulpitu nawigacyjnego
        • 3.4.3. Analityczny pulpit nawigacyjny szkielet projektu
        • 3.4.4. Architektura
    • 4. Oceny i jak je obliczać
      • 4.1. Preferencje użytkownik-przedmiot
        • 4.1.1. Definicja ratingu
        • 4.1.2. Macierz użytkownik-przedmiot
      • 4.2. Jawne lub niejawne oceny
        • 4.2.1. Jak wykorzystujemy zaufane źródÅ‚a do rekomendacji
      • 4.3. Ponowne odwiedzanie ocen jawnych
      • 4.4. Czym sÄ… oceny niejawne?
        • 4.4.1. Rekomendowanie osób
        • 4.4.2. Uwagi dotyczÄ…ce obliczania ocen
      • 4.5. Obliczanie ocen niejawnych
        • 4.5.1. Spojrzenie na dane behawioralne
        • 4.5.2. To można uznać za problem uczenia maszynowego
      • 4.6. Jak zaimplementować oceny niejawne
        • 4.6.1. Dodawanie aspektu czasu
      • 4.7. Mniej popularne elementy majÄ… wiÄ™kszÄ… wartość
    • 5. Niespersonalizowane rekomendacje
      • 5.1. Co to sÄ… niespersonalizowane rekomendacje?
        • 5.1.1. Co to jest reklama?
        • 5.1.2. Co robi rekomendacja?
      • 5.2. Jak tworzyć rekomendacje, gdy nie masz danych
        • 5.2.1. Top 10: lista najpopularniejszych przedmiotów
      • 5.3. Implementacja listy najpopularniejszych pozycji i podstawy dla komponentu systemu rekomendacji
        • 5.3.1. Komponent systemu rekomendacji
        • 5.3.2. Kod MovieGEEKs z GitHub
        • 5.3.3. System rekomendacji
        • 5.3.4. Dodawanie listy najpopularniejszych pozycji do MovieGEEKs
        • 5.3.5. Uatrakcyjnienie wyglÄ…du treÅ›ci
      • 5.4. Rekomendacje oparte na wartoÅ›ciach inicjujÄ…cych
        • 5.4.1. CzÄ™sto kupowane przedmioty podobne do oglÄ…danych
        • 5.4.2. ReguÅ‚y asocjacyjne
        • 5.4.3. Implementowanie reguÅ‚ asocjacyjnych
        • 5.4.4. Zapisywanie reguÅ‚ asocjacyjnych w bazie danych
        • 5.4.5. Uruchamianie kalkulatora reguÅ‚ asocjacyjnych
        • 5.4.6. Używanie różnych zdarzeÅ„ do tworzenia reguÅ‚ asocjacyjnych
    • 6. Użytkownik (i treÅ›ci), który przyszedÅ‚ z zimna
      • 6.1. Co to jest zimny start?
        • 6.1.1. Zimne produkty
        • 6.1.2. Zimny gość
        • 6.1.3. Szare owce
        • 6.1.4. Spójrzmy na przykÅ‚ady z życia wziÄ™te
        • 6.1.5. Co możesz zrobić z zimnym startem?
      • 6.2. Åšledzenie odwiedzajÄ…cych
        • 6.2.1. Uparcie anonimowi użytkownicy
      • 6.3. RozwiÄ…zywanie problemów z zimnym startem za pomocÄ… algorytmów
        • 6.3.1. Używanie reguÅ‚ asocjacyjnych do tworzenia rekomendacji dla zimnych użytkowników
        • 6.3.2. Korzystanie ze znajomoÅ›ci domeny i zasad biznesowych
        • 6.3.3. Korzystanie z segmentów
        • 6.3.4. Wykorzystywanie kategorii do obejÅ›cia problemu szarych owiec i jak wprowadzać zimny produkt
      • 6.4. Ci, którzy nie pytajÄ…, nie bÄ™dÄ… wiedzieć
        • 6.4.1. Kiedy odwiedzajÄ…cy nie jest już nowy
      • 6.5. Wykorzystanie reguÅ‚ asocjacyjnych do szybkiego przedstawiania rekomendacji
        • 6.5.1. Znajdowanie zebranych elementów
        • 6.5.2. Wydobywanie reguÅ‚ asocjacyjnych i porzÄ…dkowanie ich wedÅ‚ug ufnoÅ›ci
        • 6.5.3. WyÅ›wietlanie rekomendacji
        • 6.5.4. Ocena implementacji
  • Część 2. Algorytmy systemów rekomendacji
    • 7. Znajdowanie podobieÅ„stw wÅ›ród użytkowników i wÅ›ród treÅ›ci
      • 7.1. Dlaczego podobieÅ„stwo?
        • 7.1.1. Czym jest funkcja podobieÅ„stwa?
      • 7.2. Podstawowe funkcje podobieÅ„stwa
        • 7.2.1. Indeks Jaccarda
        • 7.2.2. Pomiar odlegÅ‚oÅ›ci z normami Lp
        • 7.2.3. PodobieÅ„stwo kosinusowe
        • 7.2.4. Znajdowanie podobieÅ„stwa za pomocÄ… współczynnika korelacji liniowej Pearsona
        • 7.2.5. Testowanie podobieÅ„stwa Pearsona
        • 7.2.6. Korelacja liniowa jest podobna do kosinusowej
      • 7.3. Klastrowanie metodÄ… k-Å›rednich
        • 7.3.1. Algorytmy klastrowania metodÄ… k-Å›rednich
        • 7.3.2. PrzekÅ‚adanie algorytmu klasowania metodÄ… k-Å›rednich na Pythona
      • 7.4. Implementacja podobieÅ„stw
        • 7.4.1. Implementacja podobieÅ„stwa w witrynie MovieGEEKs
        • 7.4.2. Implementacja klastrowania w witrynie MovieGEEKs
    • 8. Wspólna filtracja w sÄ…siedztwie
      • 8.1. Wspólna filtracja: lekcja historii
        • 8.1.1. Kiedy informacja staÅ‚a siÄ™ wspólnie przefiltrowana
        • 8.1.2. Wzajemna pomoc
        • 8.1.3. Macierz ocen
        • 8.1.4. Potok wspólnej filtracji
        • 8.1.5. Czy należy używać wspólnej filtracji użytkownik-użytkownik czy element-element?
        • 8.1.6. Wymagania dotyczÄ…ce danych
      • 8.2. Obliczanie rekomendacji
      • 8.3. Obliczanie podobieÅ„stw
      • 8.4. Algorytm Amazona do wstÄ™pnego obliczania podobieÅ„stwa elementów
      • 8.5. Sposoby wybierania sÄ…siedztwa
      • 8.6. Znajdowanie wÅ‚aÅ›ciwego sÄ…siedztwa
      • 8.7. Sposoby obliczania przewidywanych ocen
      • 8.8. Przewidywanie z filtrowaniem opartym na elementach
        • 8.8.1. Obliczanie przewidywaÅ„ elementów
      • 8.9. Problemy z zimnym startem
      • 8.10. Kilka słów o pojÄ™ciach w uczeniu maszynowym
      • 8.11. Wspólna filtracja na stronie MovieGEEKs
        • 8.11.1. Filtrowanie oparte na elementach
      • 8.12. Jaka jest różnica miÄ™dzy rekomendacjami z reguÅ‚ asocjacyjnych a rekomendacjami opartymi na wspólnej filtracji
      • 8.13. Dźwignie do majstrowania przy wspólnej filtracji
      • 8.14. Plusy i minusy wspólnej filtracji
    • 9. Ewaluacja i testowanie systemu rekomendacji
      • 9.1. Biznes chce wzrostów, sprzedaży krzyżowej, sprzedaży droższych towarów i konwersji
      • 9.2. Dlaczego ewaluacja jest ważna?
      • 9.3. Jak interpretować zachowanie użytkowników
      • 9.4. Co należy mierzyć
        • 9.4.1. Rozumienie mojego gustu: minimalizowanie bÅ‚Ä™dów przewidywania
        • 9.4.2. Różnorodność
        • 9.4.3. Pokrycie
        • 9.4.4. Szczęśliwy zbieg okolicznoÅ›ci
      • 9.5. Przed wdrożeniem systemu rekomendacji...
        • 9.5.1. Zweryfikuj algorytm
        • 9.5.2. Testowanie regresyjne
      • 9.6. Rodzaje ewaluacji
      • 9.7. Ewaluacja offline
        • 9.7.1. Co zrobić, kiedy algorytm nie przedstawia żadnych rekomendacji
      • 9.8. Eksperymenty offline
        • 9.8.1. Przygotowywanie danych do eksperymentów
      • 9.9. Implementacja eksperymentu na witrynie MovieGEEKs
        • 9.9.1. Lista rzeczy do zrobienia
      • 9.10. Ewaluacja zbioru testowego
        • 9.10.1. Rozpoczynanie od predyktora bazowego
        • 9.10.2. Znajdowanie odpowiednich parametrów
      • 9.11. Ewaluacja online
        • 9.11.1. Eksperyment kontrolowany
        • 9.11.2. Testy A/B
      • 9.12. Testowanie ciÄ…gÅ‚e z eksploatacjÄ…/eksploracjÄ…
        • 9.12.1. PÄ™tle informacji zwrotnych
    • 10. Filtrowanie oparte na treÅ›ci
      • 10.1. PrzykÅ‚ad opisowy
      • 10.2. Filtrowanie oparte na treÅ›ci
      • 10.3 Analizator zawartoÅ›ci
        • 10.3.1. WyodrÄ™bnianie cech dla profilu przedmiotu
        • 10.3.2. Dane kategoryczne z maÅ‚ymi liczbami
        • 10.3.3. PrzeksztaÅ‚canie roku na porównywalne cechy
      • 10.4. Wydobywanie metadanych z opisów
        • 10.4.1. Przygotowywanie opisów
      • 10.5. Znajdowanie ważnych słów za pomocą TF-IDF
      • 10.6. Modelowanie tematów przy użyciu LDA
        • 10.6.1. Jakie gaÅ‚ki możesz pokrÄ™cić, aby dostosować LDA?
      • 10.7. Znajdowanie podobnych treÅ›ci
      • 10.8. Tworzenie profilu użytkownika
        • 10.8.1. Tworzenie profilu użytkownika za pomocÄ… LDA
        • 10.8.2. Tworzenie profilu użytkownika za pomocÄ… TF-IDF
      • 10.9. Rekomendacje oparte na treÅ›ci na witrynie MovieGEEKs
        • 10.9.1. Pobieranie danych
        • 10.9.2. Uczenie modelu
        • 10.9.3. Tworzenie profili elementów
        • 10.9.4. Tworzenie profili użytkowników
        • 10.9.5. Pokazywanie rekomendacji
      • 10.10. Ocena systemu rekomendacji opartego na treÅ›ci
      • 10.11. Zalety i wady filtrowania opartego na treÅ›ci
    • 11. Znajdowanie ukrytych gatunków za pomocÄ… faktoryzacji macierzy
      • 11.1. Czasami dobrze jest zredukować ilość danych
      • 11.2. PrzykÅ‚ad tego, co chcesz rozwiÄ…zać
      • 11.3. Powiew algebry liniowej
        • 11.3.1. Macierz
        • 11.3.2. Co to jest faktoryzacja?
      • 11.4. Tworzenie faktoryzacji za pomocÄ… SVD
        • 11.4.1. Dodawanie nowego użytkownika metodÄ… folding-in
        • 11.4.2. Jak tworzyć rekomendacje za pomocÄ… SVD
        • 11.4.3. Predyktory bazowe
        • 11.4.4. Dynamika czasowa
      • 11.5. Budowanie faktoryzacji za pomocÄ… Funk SVD
        • 11.5.1. Åšrednia kwadratowa bÅ‚Ä™du
        • 11.5.2. Metoda gradientu prostego
        • 11.5.3. Stochastyczne zejÅ›cie wzdÅ‚uż gradientu
        • 11.5.4. Wreszcie zabieramy siÄ™ za faktoryzacjÄ™
        • 11.5.5. Dodawanie odchyleÅ„
        • 11.5.6. Jak zacząć i kiedy przestać
      • 11.6. Budowanie rekomendacji przy użyciu Funk SVD
      • 11.7. Implementacja Funk SVD na witrynie MovieGEEKs
        • 11.7.1. Co zrobić z odstajÄ…cymi wartoÅ›ciami
        • 11.7.2. Aktualizowanie modelu
        • 11.7.3. Szybsza implementacja
      • 11.8. Dane jawne kontra niejawne
      • 11.9. Ewaluacja
      • 11.10. Dźwignie do majstrowania dla Funk SVD
    • 12. Branie tego co najlepsze ze wszystkich algorytmów: implementacja hybrydowych silników rekomendacji
      • 12.1 Zagmatwany Å›wiat hybryd
      • 12.2. Monolityczny
        • 12.2.1. Mieszanie cech opartych na treÅ›ci z danymi behawioralnymi, aby usprawnić system rekomendacji wspólnej filtracji
      • 12.3. Mieszany hybrydowy system rekomendacji
      • 12.4. Algorytmy zÅ‚ożone
        • 12.4.1. PrzeÅ‚Ä…czany system rekomendacji
        • 12.4.2. Ważony system rekomendacji
        • 12.4.3. Regresja liniowa
      • 12.5. Liniowe Å‚Ä…czenie modeli ważone cechami (FWLS)
        • 12.5.1. Meta-cechy: wagi jako funkcje
        • 12.5.2. Algorytm
      • 12.6. Implementacja
    • 13. Rangowanie i nauka rangowania
      • 13.1. Nauka rangowania na przykÅ‚adzie Foursquare
      • 13.2. Rangowanie ze zmianÄ… kolejnoÅ›ci
      • 13.3. Czym jest nauka rangowania ze zmiana kolejnoÅ›ci?
        • 13.3.1. Trzy typy algorytmów LTR
      • 13.4. Bayesowskie rangowanie spersonalizowane (BPR)
        • 13.4.1. Rangowanie z BPR
        • 13.4.2. Sztuczki matematyczne (magia zaawansowana)
        • 13.4.3. Algorytm BPR
        • 13.4.4. BPR z faktoryzacjÄ… macierzy
      • 13.5. Implementacja BPR
        • 13.5.1. Tworzenie rekomendacji
      • 13.6. Ewaluacja
      • 13.7. Dźwignie do majstrowania przy BPR
    • 14. PrzyszÅ‚ość systemów rekomendacji
      • 14.1. Ta książka w kilku zdaniach
      • 14.2. Tematy do dalszej nauki
        • 14.2.1. Dalsza lektura
        • 14.2.2. Algorytmy
        • 14.2.3. Kontekst
        • 14.2.4. Interakcje czÅ‚owiek-komputer
        • 14.2.5. Wybór dobrej architektury
      • 14.3. Jaka jest przyszÅ‚ość systemów rekomendacji?
      • 14.4. KoÅ„cowe przemyÅ›lenia
  • Przypisy

Dodaj do koszyka Praktyczne systemy rekomendacji

Code, Publish & WebDesing by CATALIST.com.pl



(c) 2005-2024 CATALIST agencja interaktywna, znaki firmowe należą do wydawnictwa Helion S.A.