推薦系統-飛槳深度學習實戰 深度學習技術及應用國家工程研究中心 9787302623755 【台灣高等教育出版社】

*完成訂單後正常情形下約兩周可抵台。
*本賣場提供之資訊僅供參考，以到貨標的為正確資訊。
印行年月：202306*若逾兩年請先於客服中心或Line洽詢存貨情況，謝謝。
台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。
書名：推薦系統-飛槳深度學習實戰
ISBN：9787302623755
出版社：清華大學
著編譯者：深度學習技術及應用國家工程研究中心
頁數：248
所在地：中國大陸 *此為代購商品
書號：1525394
可大量預訂，請先連絡。

內容簡介

本書將推薦系統的理論基礎與代碼實踐相結合，內容涵蓋各類非個性化和個性化、經典及先進的推薦演算法，以及工業界推薦系統的基本流程、步驟。本書可以作為各高校相關專業智能推薦系統課程教材，也可以作為技術人員的參考書籍。通過本書，讀者可以掌握推薦系統的基本概念、評價指標，熟悉推薦系統在工業界應用的具體過程，既可以了解基於傳統機器學習的推薦演算法，也可以學習基於深度學習的前沿推薦演算法，本書的最後一章帶領讀者熟悉推薦系統領域的關鍵問題和挑戰。

作者簡介

楊晴虹，博士，中科院系列高級工程師，北航軟體學院人工智能專業主講教師，美國南康涅狄格州立大學圖書信息科學訪問學者，美國耶魯大學技術創新實驗室數據分析專家。發表國際論文幾十篇，主要研究領域有機器學習、知識挖掘、大數據分析、項目管理和科研管理等。在機器學習、深度學習、神經網絡等領域有豐富的實踐經驗，曾主導和參与多個相關的項目並取得成功。

目錄

第1章 推薦系統概述
1 1 推薦系統的背景與價值
1 1 1 推薦系統的背景
1 1 2 典型的推薦系統應用
1 2 推薦系統是如何工作的
1 2 1 推薦系統的基本任務
1 2 2 推薦系統的工作過程
1 2 3 推薦系統的原理
1 3 推薦系統的歷史與分類
1 3 1 推薦系統的發展歷史
1 3 2 推薦演算法的分類
1 4 推薦系統評測
1 4 1 推薦系統的評測方法
1 4 2 推薦系統的評測指標
參考文獻
第2章 生產環境下的推薦系統
2 1 推薦系統的業務流程
2 1 1 推薦總體流程
2 1 2 召迴環節
2 1 3 排序環節
2 1 4 后處理調整
2 2 推薦系統的主要業務模塊
2 2 1 數據採集與處理模塊
2 2 2 特徵工程模塊
2 2 3 推薦演算法模塊
2 2 4 用戶交互模塊
2 3 推薦系統架構設計
2 3 1 總體業務架構
2 3 2 數據層
2 3 3 演算法層
2 3 4 系統層
2 4 線上系統的A/B測試
2 4 1 前端介面
2 4 2 數據讀取介面
2 4 3 測試及評估介面
2 4 4 監控介面
參考文獻
第3章 機器學習演算法基礎
3 1 機器學習演算法概述
3 1 1 機器學習演算法基本過程
3 1 2 機器學習演算法的分類
3 2 線性回歸演算法
3 2 1 線性回歸模型
3 2 2 線性回歸模型的損失函數
3 2 3 梯度下降求解線性回歸模型參數的最優值
3 2 4 線性回歸演算法正則化
3 2 5 實驗
3 2 6 線性回歸演算法特點
3 3 邏輯回歸演算法
3 3 1 邏輯回歸模型
3 3 2 邏輯回歸損失函數
3 3 3 梯度下降求解最優值
3 3 4 邏輯回歸演算法的正則化
3 3 5 實驗
3 3 6 邏輯回歸演算法特點
3 4 決策樹
3 4 1 決策樹的結構
3 4 2 決策樹演算法
3 4 3 決策樹演算法總結
3 4 4 基於sklearn的決策樹實驗
3 5 樸素貝葉斯
3 5 1 樸素貝葉斯相關的統計學知識
3 5 2 樸素貝葉斯模型
3 5 3 總結
3 5 4 基於sklearn的Naive-Bayes實驗
3 6 神經網絡
3 6 1 神經元模型
3 6 2 全連接神經網絡
3 6 3 卷積神經網絡
3 6 4 循環神經網絡
3 6 5 圖神經網絡
3 6 6 實驗評估
參考文獻
第4章 典型推薦演算法
4 1 推薦演算法相關知識
4 1 1 推薦演算法的分類
4 1 2 推薦系統中的隱式反饋、顯式反饋
4 1 3 推薦系統中的損失函數
4 2 非個性化推薦演算法
4 2 1 基於流行度的推薦方法
4 2 2 基於關聯規則的推薦方法
4 3 基於內容的推薦
4 3 1 基本思想和過程
4 3 2 一個基於內容推薦的示例
4 3 3 基於標籤的推薦
4 4 基於統計（相似度）的方法
4 4 1 基於用戶的協同過濾
4 4 2 基於物品的協同過濾
4 5 基於矩陣分解的個性化推薦
4 5 1 Matrix Factorization演算法（MF/SVD）
4 5 2 Bias-SVD演算法
4 5 3 SVD++演算法
4 5 4 WR-MF和EALS演算法
4 6 基於物品的協同過濾
4 6 1 背景簡介
4 6 2 SLIM演算法
4 6 3 FISM演算法
參考文獻
第5章 點擊率預估演算法
5 1 推薦系統中的召回和排序過程
5 1 1 為什麼需要召回和排序環節
5 1 2 召回、排序環節的典型方法
5 2 點擊率預測簡介
5 3 邏輯回歸模型
5 3 1 背景
5 3 2 基於LR模型的CTR預測流程
5 3 3 實驗
5 4 因式分解機模型
5 4 1 背景
5 4 2 FM模型原理
5 4 3 實驗
5 5 梯度提升樹模型
5 5 1 背景
5 5 2 模型原理
5 5 3 實驗
5 6 梯度提升樹+邏輯回歸模型（GBDT+LR）
5 6 1 背景
5 6 2 模型原理
5 6 3 實驗
5 7 基於深度學習的CTR模型
5 7 1 模型的記憶能力和泛化能力
5 7 2 Wide&Deep模型
5 7 3 DeepFM模型
5 7 4 xDeepFM模型
5 7 5 實驗
5 8 本章小結
參考文獻
第6章 基於深度學習的推薦演算法
6 1 為什麼需要深度學習
6 1 1 推薦演算法應用的挑戰
6 1 2 深度學習的優勢
6 2 深度學習與推薦系統的分類
6 2 1 表徵學習
6 2 2 交互建模
6 3 基於深度學習的矩陣分解推薦演算法DeepMF
6 3 1 背景
6 3 2 模型原理
6 3 3 實驗
6 3 4 模型總結
6 4 基於深度學習的協同過濾推薦演算法NeuralCF
6 4 1 背景
6 4 2 模型原理
6 4 3 實驗
6 4 4 模型總結
6 5 基於深度學習的物品協同過濾演算法DICF
6 5 1 DICF模型結構
6 5 2 DICF模型優化
6 5 3 實驗評估
6 5 4 DICF模型總結
6 6 基於GNN的協同過濾演算法
6 6 1 背景
6 6 2 模型原理
6 6 3 實驗
6 6 4 模型改進
6 6 5 模型總結
6 7 基於GNN的混合推薦算
詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於客服中心或Line或本社留言板留言，我們即儘速上架。

大陸簡體正版圖書，訂購後正常情形下約兩周可抵台。