标签分类
当前位置:首页 > 程序设计电子书 > 系统算法电子书网盘下载
推荐系统算法实践

推荐系统算法实践 完整超清版电子书

官方价: 44.99

更 新:

推荐系统算法实践 PDF 下载

下载地址:https://pan.baidu.com/s/1EY6Pjz6jm4o7vaLT6QkAn

分享码:brj8

给大家带来的一篇关于系统算法相关的电子书资源,介绍了关于系统算法、实践方面的内容,本书是由电子工业出版社出版,格式根据源资源分为PDF、epub、mobi、azw3其中一种或多种格式,资源大小93.4 MB,黄美灵编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:7.3,更多相关的学习资源可以参阅 程序设计电子书、等栏目。

推荐系统算法实践 PDF

1.这书关键解读推荐算法中的推荐系统——招回优化算法和排序算法,及其每个优化算法在流行专用工具Sklearn、Spark、TensorFlow等中的保持和运用。
2.这书秉着由浅入深的标准开展解读,装有丰富多彩的工程施工流程和源码,能够协助用户开展工程项目实践活动并在具体工作上运用。
3.这书合适 AI、大数据挖掘、互联网大数据等行业的从业者阅读文章,书中为开发人员呈现了推荐系统的基本原理、保持与运用实例。

这书关键解读推荐算法中的招回优化算法和排序算法,及其每个优化算法在流行专用工具Sklearn、Spark、TensorFlow等中的保持和运用。
书中秉着由浅入深的标准开展解读。最先,详细介绍推荐算法中推荐系统的基础数学,推荐系统的服务平台、专用工具基本,及其实际的推荐算法。次之,对推荐算法中的招回优化算法开展解读,包括根据个人行为类似的协同过滤招回和根据內容类似的Word2vec 招回,而且详细介绍其在Spark、TensorFlow 流行专用工具中的保持与运用。再度,解读推荐算法中的排序算法,包含线形实体模型、树实体模型和深度神经网络实体模型,各自详细介绍逻辑回归、FM、决策树、随机森林、GBDT、GBDT LR、集成化学习培训、深层山林、DNN、Wide & Deep、DeepFM、YouTube强烈推荐等实体模型的基本原理,及其其在Sklearn、Spark、TensorFlow 流行专用工具中的保持与运用。*后,详细介绍推荐系统的4 个实践活动实例,协助用户开展工程项目实践活动和运用,而且详细介绍怎样在Notebook 上开展编码开发设计和优化算法调节,以协助用户提高工作效能。

目录

  • 第1部分 推荐系统的算法基础
  • 第1章 数学基础 2
  • 1.1 线性代数 2
  • 1.2 概率与统计 5
  • 1.3 损失函数 7
  • 1.4 优化方法 8
  • 1.4.1 SGD 8
  • 1.4.2 动量 8
  • 1.4.3 Nesterov动量 9
  • 1.4.4 AdaGrad 9
  • 1.4.5 Adam 10
  • 1.4.6 L-BFGS 10
  • 1.4.7 梯度法和牛顿法的比较 11
  • 1.5 评价方法 11
  • 1.5.1 混淆矩阵 11
  • 1.5.2 ROC曲线 13
  • 第2章 推荐系统介绍 17
  • 2.1 推荐系统背景 17
  • 2.2 推荐系统的典型案例 18
  • 2.2.1 Amazon推荐 19
  • 2.2.2 Facebook推荐 21
  • 2.2.3 YouTube推荐 22
  • 2.3 推荐系统原理 23
  • 第3章 推荐算法工具 26
  • 3.1 Python Sklearn机器学习库 26
  • 3.1.1 Sklearn介绍 26
  • 3.1.2 Sklearn建模流程 27
  • 3.2 Spark MLlib机器学习库 28
  • 3.2.1 MLlib介绍 28
  • 3.2.2 MLlib建模流程 29
  • 3.3 TensorFlow 31
  • 3.3.1 TensorFlow介绍 31
  • 3.3.2 TensorFlow建模流程 31
  • 3.4 Notebook介绍 32
  • 3.4.1 Zeppelin Notebook介绍 32
  • 3.4.2 Jupyter Notebook介绍 36
  • 第2部分 推荐系统的召回算法
  • 第4章 协同过滤——基于行为相似的召回 40
  • 4.1 协同过滤算法 40
  • 4.1.1 协同过滤推荐概述 40
  • 4.1.2 用户评分 41
  • 4.1.3 相似度计算 41
  • 4.1.4 推荐计算 43
  • 4.2 协同过滤推荐算法实现 44
  • 4.2.1 相似度计算及推荐计算 47
  • 4.2.2 协同推荐 54
  • 4.2.3 运行结果 59
  • 第5章 Word2vec——基于内容相似的召回 65
  • 5.1 Word2vec算法 65
  • 5.1.1 语言模型 65
  • 5.1.2 CBOW One-Word Context模型 66
  • 5.1.3 CBOW Multi-Word Context 模型 71
  • 5.1.4 Skip-Gram模型 72
  • 5.1.5 Hierarchical Softmax 74
  • 5.1.6 Negative Sampling 74
  • 5.2 Word2vec实例 75
  • 5.2.1 Spark实现 75
  • 5.2.2 TensorFlow实现 80
  • 第3部分 推荐系统的排序算法——线性模型
  • 第6章 逻辑回归 86
  • 6.1 逻辑回归算法 86
  • 6.1.1 二元逻辑回归模型 86
  • 6.1.2 模型参数估计 88
  • 6.1.3 多元逻辑回归模型(Softmax回归) 88
  • 6.1.4 逻辑回归的网络结构 89
  • 6.1.5 梯度下降算法 90
  • 6.1.6 正则化 91
  • 6.2 逻辑回归实现 93
  • 6.2.1 Sklearn实现 93
  • 6.2.2 Spark实现 98
  • 6.2.3 TensorFlow实现 108
  • 6.2.4 效果总结 114
  • 第7章 因子分解机(FM) 115
  • 7.1 FM算法 115
  • 7.1.1 FM模型 115
  • 7.1.2 FFM模型 118
  • 7.1.3 FM模型的网络结构 119
  • 7.2 FM实现 120
  • 7.2.1 Sklearn实现 120
  • 7.2.2 TensorFlow实现 122
  • 7.2.3 效果总结 128
  • 第4部分 推荐系统的排序算法——树模型
  • 第8章 决策树 130
  • 8.1 决策树算法 130
  • 8.1.1 决策树模型 130
  • 8.1.2 特征选择 131
  • 8.1.3 决策树的生成 133
  • 8.1.4 决策树的生成实例 134
  • 8.1.5 决策树的剪枝 135
  • 8.2 决策树的集成算法 136
  • 8.2.1 集成分类器 136
  • 8.2.2 随机森林 137
  • 8.2.3 GBDT 137
  • 8.3 决策树集成算法实例 139
  • 8.3.1 Spark实现 139
  • 8.3.2 Sklearn实现 149
  • 8.3.3 效果总结 154
  • 第9章 集成学习 155
  • 9.1 GBDT LR算法 155
  • 9.1.1 背景 155
  • 9.1.2 GBDT LR网络结构 156
  • 9.2 深度森林算法 159
  • 9.2.1 深度森林介绍 159
  • 9.2.2 级联森林 160
  • 9.2.3 多粒度扫描 161
  • 9.3 决策树集成分类器 162
  • 9.4 集成学习实例 164
  • 9.4.1 GBDT LR实现 164
  • 9.4.2 深度森林实现 167
  • 9.4.3 效果总结 175
  • 第5部分 推荐系统的排序算法——深度学习模型
  • 第10章 深度学习在推荐算法中的应用 178
  • 10.1 推荐模型的特点 178
  • 10.2 基于深度学习的推荐模型 179
  • 10.2.1 DNN优化高阶特征 179
  • 10.2.2 高阶特征交叉与低阶特征交叉 181
  • 10.2.3 特征交叉优化 183
  • 10.2.4 特征连接优化 184
  • 10.2.5 高阶特征交叉优化 185
  • 10.2.6 多样性的深度兴趣特征优化 186
  • 第11章 DNN算法 189
  • 11.1 人工神经网络算法 189
  • 11.1.1 神经元 189
  • 11.1.2 神经网络模型 191
  • 11.1.3 信号的前向传播 191
  • 11.1.4 误差的反向传播 193
  • 11.2 DNN优化方法 195
  • 11.2.1 优化参数 196
  • 11.2.2 Attention机制 197
  • 11.3 DNN实例 198
  • 11.4 运行结果 205
  • 第12章 Wide & Deep模型 206
  • 12.1 Wide & Deep模型概述 206
  • 12.1.1 Wide模型 208
  • 12.1.2 Deep模型 209
  • 12.1.3 模型联合训练 210
  • 12.2 Wide & Deep系统实现 211
  • 12.2.1 推荐系统介绍 211
  • 12.2.2 系统流程 212
  • 12.2.3 训练数据的生成 213
  • 12.2.4 模型训练 213
  • 12.2.5 线上应用 214
  • 12.3 Wide & Deep实例 214
  • 12.4 运行结果 219
  • 第13章 DeepFM模型 225
  • 13.1 DeepFM模型概述 225
  • 13.1.1 FM组件 226
  • 13.1.2 Deep组件 228
  • 13.1.3 模型对比 229
  • 13.2 DeepFM模型实例 231
  • 13.3 运行结果 241
  • 第14章 YouTube的深度神经网络模型 243
  • 14.1 YouTube推荐模型 243
  • 14.1.1 背景介绍 243
  • 14.1.2 召回模型设计 245
  • 14.1.3 排序模型设计 250
  • 14.2 YouTube实例 252
  • 14.3 运行结果 256
  • 第6部分 推荐系统的算法实践
  • 第15章 实践——基于电商平台的商品召回 260
  • 15.1 背景介绍 260
  • 15.2 模型选择 261
  • 15.3 算法开发 261
  • 第16章 实践——基于逻辑回归的音乐评分预测 266
  • 16.1 背景介绍 266
  • 16.2 数据准备 266
  • 16.3 特征处理 268
  • 16.4 模型选择 270
  • 16.5 算法开发 271
  • 第17章 实践——Kaggle竞赛之Outbrain点击率预估 275
  • 17.1 背景介绍 275
  • 17.2 数据准备 277
  • 17.3 特征处理 283
  • 17.4 模型选择 284
  • 17.4.1 FFM 285
  • 17.4.2 XGBoost 288
  • 17.4.3 集成学习 292
  • 17.5 算法开发 292
  • 第18章 实践——基于深度学习的电商商品点击率预估 297
  • 18.1 背景介绍 297
  • 18.2 数据准备 298
  • 18.3 特征处理 302
  • 18.4 模型选择 303
  • 18.5 算法开发 304
  • 18.6 运行结果 309
  • 第19章 Notebook实践 312
  • 19.1 Sklearn中的LR实践 312
  • 19.2 TensorFlow中的LR实践 316
  • 19.3 Spark中的LR实践 321
  • 19.4 TensorFlow中的FM调试实践 327
  • 19.5 Spark中的协同过滤调试实践 331

上一篇:天猫开店、装修、营销与推广实战一本通  下一篇:Python接口自动化测试

展开 +

收起 -

系统算法 相关电子书
系统算法 学习笔记
网友NO.521133

python 实现A*算法的示例代码

A*作为最常用的路径搜索算法,值得我们去深刻的研究。路径规划项目。先看一下维基百科给的算法解释:https://en.wikipedia.org/wiki/A*_search_algorithm A *是最佳优先搜索它通过在解决方案的所有可能路径(目标)中搜索导致成本最小(行进距离最短,时间最短等)的问题来解决问题。 ),并且在这些路径中,它首先考虑那些似乎最快速地引导到解决方案的路径。它是根据加权图制定的:从图的特定节点开始,它构造从该节点开始的路径树,一次一步地扩展路径,直到其一个路径在预定目标节点处结束。 在其主循环的每次迭代中,A *需要确定将其部分路径中的哪些扩展为一个或多个更长的路径。它是基于成本(总重量)的估计仍然到达目标节点。具体而言,A *选择最小化的路径 F(N)= G(N)+ H(n) 其中n是路径上的最后一个节点,g(n)是从起始节点到n的路径的开销,h(n)是一个启发式,用于估计从n到目标的最便宜路径的开销。启发式是特定于问题的。为了找到实际最短路径的算法,启发函数必须是可接受的,这意味着它永远不会高估实际成本到达最近的目标节点。 维基百科给出的伪代码: function A*(start, goal) // The set of nodes already evaluated closedSet := {} // The set of currently discovered nodes that are not evaluated yet. // Initially, only the sta……

网友NO.976269

java基础学习JVM中GC的算法

在java学习到JVM时候,总会很多朋友问到关于GC算法的问题,小编在此给大家整理关于JVM中GC算法的原理以及图文详细分析,希望能够帮助你对这个GC算法的理解。 JVM内存组成结构: (1)堆 所有通过new创建的对象都是在堆中分配内存,其大小可以通过-Xmx和-Xms来控制,堆被划分为新生代和旧生代,新生代又被进一步划分为Eden和Survivor区。Survivor被划分为from space 和 to space组成,结构图如下: (2)栈 每个线程 执行每个方法的时候都会在栈中申请一个栈帧,每个栈帧包含局部变量区和操作数栈。用于存放此次方法调用过程中的临时变量,参数和中间结果 (3)本地方法栈 用于支持native方法的执行。存储了每个native方法调用的状态 (4)方法区 存放了要加载的类信息,静态变量,final类型的常量,属性和方法信息。JVM用持久代(permanet generation)来存放方法区,可通过-XX:PermSize和 -XX:MaxPermSize来指定最小值和最大值。 (5)程序计数器 每个线程私有,当前线程执行的字节码的行数。 JAVA堆内存分配机制 java内存分配和回收概括地说:就是分代分配,分代回收。对象将根据存货的时间被分为:young generation, old generation,permanent generation。 yong generation:对象被创建时,内存的分配首先发生在年轻代(大对象可以直接创建在old generation)……

网友NO.752862

如何实现python冒泡排序算法?

冒泡排序是一种简单的排序技术,它通过比较相邻的元素遍历整个列表,对它们进行排序并交换元素,直到对整个列表进行排序。 算法:给定一个包含n个元素的列表L,这些元素的值或记录为L0, L1,…,Ln-1,冒泡排序用于对列表L进行排序。 比较列表中的前两个元素L0和L1。 如果L1 L0,交换这些元素,然后继续下面的两个元素。 重复相同的步骤,直到整个列表被排序,这样就不可能进行更多的交换。 返回最终排序的列表。 python冒泡排序代码如下: __author__ = 'Avinash' def bubble_sort(sort_list): for j in range(len(sort_list)): for k in range(len(sort_list) - 1): if sort_list[k] sort_list[k + 1]: sort_list[k], sort_list[k + 1] = sort_list[k + 1], sort_list[k] print(sort_list) lst = []size = int(input(Enter size of the list: \t)) for i in range(size): elements = int(input(Enter the element: \t)) lst.append(elements) bubble_sort(lst) 输出: 相关推荐:《Python教程》 本篇文章就是关于python冒泡排序算法的方法介绍,希望对需要的朋友有所帮助! 以上就是如何实现python冒泡排序算法?的详细内容,更多请关注码农之家其它相关文章! ……

网友NO.944107

PHP实现转盘抽奖算法分享

本文实例为大家分享了PHP实现转盘抽奖算法的具体代码,供大家参考,具体内容如下 流程: 1.拼装奖项数组 2.计算概率 3.返回中奖情况 代码如下: 中奖概率 ' v ' 可以在后台设置,传到此方法中, 注意 传整数 function get_gift(){ //拼装奖项数组 // 奖项id,奖品,概率 $prize_arr = array( '0' = array('id'=1,'prize'='平板电脑','v'=0), '1' = array('id'=2,'prize'='数码相机','v'=0), '2' = array('id'=3,'prize'='音箱设备','v'=0), '3' = array('id'=4,'prize'='4G优盘','v'=5), '4' = array('id'=5,'prize'='10Q币','v'=0), '5' = array('id'=6,'prize'='空奖','v'=5), ); foreach ($prize_arr as $key = $val) { $arr[$val['id']] = $val['v'];//概率数组 } $rid = $this-get_rand($arr); //根据概率获取奖项id $res['yes'] = $prize_arr[$rid-1]['prize']; //中奖项 unset($prize_arr[$rid-1]); //将中奖项从数组中剔除,剩下未中奖项 shuffle($prize_arr); //打乱数组顺序 for($i=0;$icount($prize_arr);$i++){ $pr[] = $prize_arr[$i]['prize']; //未中奖项数组 } $res['no'] = $pr; // var_dump($res); if($res['yes']!='空奖'){ $result['status']=1; $result['name']=$res['yes']; }else{ $result['status']=-1; $result['msg']=$res['yes']; } //return $result; var_dump($result); } //计算中奖概率 function get_rand($proArr) { $result = ''; //概率数组的总概率精度 $proSum = array_sum($proArr); // var_dump($proSum); //概率数组循环 foreach ($proArr as $key = $proCur) { $randNum = m……

码小辫

码小辫 发起

资源
11
粉丝
47
喜欢
401
评论
8

    Copyright 2018-2019 xz577.com 码农之家

    版权责任说明