Купить книгу Практические рекомендательные системы на русском [PDF, EPUB, FB2, MOBI]
#1953769
Practical Recommender Systems (B09782BTD3)
Купить и скачать электронную книгу в форматах PDF, EPUB, FB2, MOBI
Kim Falk | #74: Математическое и статистическое программное обеспечение
Краткое содержание
Онлайн-системы рекомендаций помогают пользователям находить фильмы, работу, рестораны — и даже романтические отношения! Сочетание статистики, демографических данных и поисковых запросов для достижения результатов, которые их порадуют, — это настоящее искусство. Научитесь создавать системы рекомендаций правильно: от этого зависит успех или провал вашего приложения!
О технологии
Рекомендательные системы повсюду, помогая вам найти все что угодно: от фильмов до работы, от ресторанов до больниц и даже романтических отношений. Используя поведенческие и демографические данные, эти системы прогнозируют, что больше всего заинтересует пользователей в определенный момент времени, в результате чего получаются высококачественные, упорядоченные и персонализированные предложения. Рекомендательные системы практически необходимы для поддержания актуальности, полезности и интереса контента вашего сайта для посетителей.
О книге
Книга «Практические рекомендательные системы» объясняет, как работают рекомендательные системы, и показывает, как создавать и применять их на вашем сайте. После рассмотрения основ вы узнаете, как собирать данные о пользователях и создавать персонализированные рекомендации. Вы научитесь использовать самые популярные алгоритмы рекомендаций и увидите примеры их применения на таких сайтах, как Amazon и Netflix. Наконец, книга рассматривает проблемы масштабирования и другие вопросы, с которыми вы столкнетесь по мере роста вашего сайта.
Что внутри?
О читателе
Читателям необходимы навыки программирования и работы с базами данных на среднем уровне.
Об авторе
Ким Фальк — опытный специалист по анализу данных, ежедневно работающий с машинным обучением и рекомендательными системами.
Оглавление
Онлайн-системы рекомендаций помогают пользователям находить фильмы, работу, рестораны — и даже романтические отношения! Сочетание статистики, демографических данных и поисковых запросов для достижения результатов, которые их порадуют, — это настоящее искусство. Научитесь создавать системы рекомендаций правильно: от этого зависит успех или провал вашего приложения!
О технологии
Рекомендательные системы повсюду, помогая вам найти все что угодно: от фильмов до работы, от ресторанов до больниц и даже романтических отношений. Используя поведенческие и демографические данные, эти системы прогнозируют, что больше всего заинтересует пользователей в определенный момент времени, в результате чего получаются высококачественные, упорядоченные и персонализированные предложения. Рекомендательные системы практически необходимы для поддержания актуальности, полезности и интереса контента вашего сайта для посетителей.
О книге
Книга «Практические рекомендательные системы» объясняет, как работают рекомендательные системы, и показывает, как создавать и применять их на вашем сайте. После рассмотрения основ вы узнаете, как собирать данные о пользователях и создавать персонализированные рекомендации. Вы научитесь использовать самые популярные алгоритмы рекомендаций и увидите примеры их применения на таких сайтах, как Amazon и Netflix. Наконец, книга рассматривает проблемы масштабирования и другие вопросы, с которыми вы столкнетесь по мере роста вашего сайта.
Что внутри?
- Как собирать и анализировать поведение пользователей
- Совместная и контентная фильтрация
- Алгоритмы машинного обучения
- Реальные примеры на Python
О читателе
Читателям необходимы навыки программирования и работы с базами данных на среднем уровне.
Об авторе
Ким Фальк — опытный специалист по анализу данных, ежедневно работающий с машинным обучением и рекомендательными системами.
Оглавление
- Что такое система рекомендаций?
- Поведение пользователей и способы его сбора
- Мониторинг системы
- Рейтинги и способы их расчета
- Неперсонализированные рекомендации
- Пользователь (и контент), пришедший с холода.
- Выявление сходств между пользователями и между контентом.
- Совместная фильтрация в районе
- Оценка и тестирование вашей рекомендательной системы.
- Фильтрация на основе контента
- Поиск скрытых жанров с помощью матричной факторизации
- Использование лучших качеств всех алгоритмов: реализация гибридных рекомендательных систем
- Ранжирование и обучение ранжированию
- Будущее рекомендательных систем