当前位置:首页 > 人工智能 >
《推荐系统与深度学习》电子书封面

推荐系统与深度学习

  • 发布时间:2019年12月12日 08:34:46
  • 作者:黄昕
  • 大小:146.5 MB
  • 类别:深度学习电子书
  • 格式:PDF
  • 版本:原书影印版
  • 评分:7.6

    推荐系统与深度学习 PDF 原书影印版

      给大家带来的一篇关于深度学习相关的电子书资源,介绍了关于深度学习、神经网络、算法方面的内容,本书是由清华大学出版社出版,格式为PDF,资源大小146.5 MB,黄昕编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:7.1。

      内容介绍

      推荐系统与深度学习

      推荐系统与深度学习 电子书

      内容介绍

      本书的几位作者都在大型互联网公司从事与推荐系统相关的实践与研究,通过这本书,把推荐系统工作经验予以总结,以帮助想从事推荐系统的工作者或推荐系统爱好者。本书的内容设置由浅入深,从传统的推荐算法过渡到近年兴起的深度学习技术。不管是初学者,还是有一定经验的从业人员,相信都能从本书的不同章节中有所收获。 区别于其他推荐算法书籍,本书引入了已被实践证明效果较好的深度学习推荐技术,包括Word2Vec、Wide & Deep、DeepFM、GAN 等技术应用,并给出了相关的实践代码;除了在算法层面讲解推荐系统的实现,还从工程层面详细阐述推荐系统如何搭建。

      目录

      • 第1 章什么是推荐系统1
      • 1.1 推荐系统的概念.1
      • 1.1.1 推荐系统的基本概念1
      • 1.1.2 深度学习与推荐系统4
      • 第2 章深度神经网络.7
      • 2.1 什么是深度学习.7
      • 2.1.1 深度学习的三次兴起7
      • 2.1.2 深度学习的优势9
      • 2.2 神经网络基础11
      • 2.2.1 神经元11
      • 2.2.2 神经网络.12
      • 2.2.3 反向传播.13
      • 2.2.4 优化算法.14
      • 2.3 卷积网络基础17
      • 2.3.1 卷积层17
      • 2.3.2 池化层19
      • 2.3.3 常见的网络结构19
      • 2.4 循环网络基础21
      • 2.4.1 时序反向传播算法22
      • 2.4.2 长短时记忆网络24
      • 2.5 生成对抗基础25
      • 2.5.1 对抗博弈.26
      • 2.5.2 理论推导.27
      • 2.5.3 常见的生成对抗网络29
      • iv j 推荐系统与深度学习
      • 第3 章TensorFlow 平台31
      • 3.1 什么是TensorFlow 31
      • 3.2 TensorFlow 安装指南.33
      • 3.2.1 Windows 环境安装.33
      • 3.2.2 Linux 环境安装.34
      • 3.3 TensorFlow 基础.36
      • 3.3.1 数据流图.36
      • 3.3.2 会话37
      • 3.3.3 图可视化.37
      • 3.3.4 变量37
      • 3.3.5 占位符38
      • 3.3.6 优化器38
      • 3.3.7 一个简单的例子38
      • 3.4 其他深度学习平台39
      • 第4 章推荐系统的基础算法42
      • 4.1 基于内容的推荐算法.42
      • 4.1.1 基于内容的推荐算法基本流程42
      • 4.1.2 基于内容推荐的特征提取.45
      • 4.2 基于协同的推荐算法.47
      • 4.2.1 基于物品的协同算法49
      • 4.2.2 基于用户的协同算法57
      • 4.2.3 基于用户协同和基于物品协同的区别59
      • 4.2.4 基于矩阵分解的推荐方法.61
      • 4.2.5 基于稀疏自编码的推荐方法.71
      • 4.3 基于社交网络的推荐算法80
      • 4.3.1 基于用户的推荐在社交网络中的应用81
      • 4.3.2 node2vec 技术在社交网络推荐中的应用85
      • 4.4 推荐系统的冷启动问题94
      • 4.4.1 如何解决推荐系统冷启动问题94
      • 4.4.2 深度学习技术在物品冷启动上的应用101
      • 目录j v
      • 第5 章混合推荐系统119
      • 5.1 什么是混合推荐系统.119
      • 5.1.1 混合推荐系统的意义120
      • 5.1.2 混合推荐系统的算法分类.122
      • 5.2 推荐系统特征处理方法125
      • 5.2.1 特征处理方法126
      • 5.2.2 特征选择方法134
      • 5.3 常见的预测模型141
      • 5.3.1 基于逻辑回归的模型141
      • 5.3.2 基于支持向量机的模型.144
      • 5.3.3 基于梯度提升树的模型.148
      • 5.4 排序学习150
      • 5.4.1 基于排序的指标来优化.150
      • 5.4.2 L2R 算法的三种情形.152
      • 第6 章基于深度学习的推荐模型156
      • 6.1 基于DNN 的推荐算法156
      • 6.2 基于DeepFM 的推荐算法163
      • 6.3 基于矩阵分解和图像特征的推荐算法171
      • 6.4 基于循环网络的推荐算法.174
      • 6.5 基于生成对抗网络的推荐算法.176
      • 6.5.1 IRGAN 的代码实现.179
      • 第7 章推荐系统架构设计.183
      • 7.1 推荐系统基本模型183
      • 7.2 推荐系统常见架构185
      • 7.2.1 基于离线训练的推荐系统架构设计185
      • 7.2.2 面向深度学习的推荐系统架构设计191
      • 7.2.3 基于在线训练的推荐系统架构设计194
      • 7.2.4 面向内容的推荐系统架构设计197
      • 7.3 推荐系统常用组件199
      • 7.3.1 数据上报常用组件199
      • vi j 推荐系统与深度学习
      • 7.3.2 离线存储常用组件200
      • 7.3.3 离线计算常用组件200
      • 7.3.4 在线存储常用组件201
      • 7.3.5 模型服务常用组件201
      • 7.3.6 实时计算常用组件201
      • 7.4 推荐系统常见问题201
      • 7.4.1 实时性.201
      • 7.4.2 多样性.202
      • 7.4.3 曝光打击和不良内容过滤.202
      • 7.4.4 评估测试.202
      • 后记.203
      • 图1.1 淘宝猜你喜欢栏目2
      • 图1.2 百度指数.4
      • 图1.3 歌曲词嵌入模型空间向量.6
      • 图2.1 神经网络的三次兴起8
      • 图2.2 不同层数的神经网络拟合分界面的能力.10
      • 图2.3 不同层数的神经网络表示能力10
      • 图2.4 神经网络的基本结构11
      • 图2.5 感知器算法12
      • 图2.6 三层全连接神经网络13
      • 图2.7 动量对比.16
      • 图2.8 卷积运算.18
      • 图2.9 池化层19
      • 图2.10 LeNet 卷积结构.20
      • 图2.11 Alex-Net 卷积结构20
      • 图2.12 RNN 21
      • 图2.13 LSTM 在t 时刻的内部结构24
      • 图2.14 GAN 网络25
      • 图3.1 TensorFlow 安装截图34
      • 图3.2 TensorBoard 计算37
      • 图4.1 腾讯视频APP 推荐页面.44
      • 图4.2 截取自当当网.49
      • 图4.3 截取自QQ 音乐APP.49
      • 图4.4 用户购买物品记录50
      • 图4.5 同时被购买次数矩阵C 51
      • 图4.6 相似度计算结果1 52
      • 图4.7 相似度计算结果2 54
      • viii j 推荐系统与深度学习
      • 图4.8 相似度计算结果3 55
      • 图4.9 截取自当当网.57
      • 图4.10 物品的倒排索引57
      • 图4.11 用户评分矩阵.63
      • 图4.12 Sigma 值64
      • 图4.13 NewData 值65
      • 图4.14 Mydata 值65
      • 图4.15 自编码神经网络模型72
      • 图4.16 稀疏自编码第一个网络.73
      • 图4.17 稀疏自编码第二个网络.74
      • 图4.18 稀疏自编码第三个网络.75
      • 图4.19 将三个网络组合起来75
      • 图4.20 社交网络关系图示例81
      • 图4.21 融入用户关系和物品关系82
      • 图4.22 社交网络关系图示例86
      • 图4.23 社交网络关系图示例86
      • 图4.24 CBOW 和Skip-Gram 示例.88
      • 图4.25 Skip-Gram 网络结构89
      • 图4.26 CBOW 网络结构91
      • 图4.27 word analogy 示例93
      • 图4.28 某网站登录页面95
      • 图4.29 QQ 互联开放注册平台1 96
      • 图4.30 QQ 互联开放注册平台2 97
      • 图4.31 QQ 互联应用管理页面1 97
      • 图4.32 QQ 互联应用管理页面2 97
      • 图4.33 QQ 互联QQ 登录功能获取97
      • 图4.34 QQ 音乐APP 中的偏好选择98
      • 图4.35 (a) 为每部电影被打分的分布,(b) 为每个用户打分的分布100
      • 图4.36 (a) 为每部电影平均分分布,(b) 为每个用户平均分分布.100
      • 图4.37 基于专家数据的CF 与基于用户数据CF 比较.101
      • 图目录j ix
      • 图4.38 音乐频谱示例102
      • 图4.39 4 个流派的频谱图示例103
      • 图4.40 CNN 音频分类结构.103
      • 图4.41 CNN LSTM 组合音频分类模型.104
      • 图4.42 分类预测结果的混淆矩阵104
      • 图4.43 模型倒数第二层128 维向量降维可视化104
      • 图4.44 微软how-old.net 107
      • 图4.45 SCUT-FBP 数据集示例图108
      • 图4.46 脸部截取后的数据集示例图.108
      • 图4.47 CNN 层数过多,误差反而较大113
      • 图4.48 残差网络的基本结构113
      • 图4.49 残差网络完整结构.114
      • 图5.1 NetFlix 的实时推荐系统的架构图120
      • 图5.2 整体式混合推荐系统125
      • 图5.3 并行式混合推荐系统125
      • 图5.4 流水线式混合推荐系统.125
      • 图5.5 MDLP 特征离散化130
      • 图5.6 ChiMerge 特征离散化.131
      • 图5.7 层次化时间按序列特征.133
      • 图5.8 Learn to rank 的局限153
      • 图6.1 Wide & Deep 模型结构157
      • 图6.2 推荐系统的召回和排序两个阶段158
      • 图6.3 召回模型结构.159
      • 图6.4 序列信息160
      • 图6.5 排序模型结构.161
      • 图6.6 不同NN 的效果162
      • 图6.7 DeepFM 模型结构(网络左边为FM 层,右边为DNN 层).164
      • 图6.8 FM 一阶部分165
      • 图6.9 FM 二阶部分166
      • 图6.10 FM/DNN/DeepFM 的比较171
      • x j 推荐系统与深度学习
      • 图6.11 电影静止帧图片举例172
      • 图6.12 Alex-Net 卷积网络.173
      • 图6.13 左图:时间无关的推荐系统。右图:时间相关的推荐系统174
      • 图6.14 基于循环神经网络的推荐系统175
      • 图6.15 判别器177
      • 图6.16 生成器178
      • 图6.17 IRGAN 说明179
      • 图7.1 监督学习基本模型.184
      • 图7.2 基于离线训练的推荐系统架构设计186
      • 图7.3 数据上报模块.187
      • 图7.4 离线训练模块.187
      • 图7.5 推荐系统中的存储分层.188
      • 图7.6 在线预测的几个阶段189
      • 图7.7 推荐系统通用性设计190
      • 图7.8 面向深度学习的推荐系统架构设计191
      • 图7.9 利用深度学习进行特征提取192
      • 图7.10 参数服务器架构193
      • 图7.11 基于在线训练的推荐系统架构设计195
      • 图7.12 在线学习之实时特征处理196
      • 图7.13 面向内容的推荐系统架构设计198
      • 图7.14 用于推荐的内容池.198
      • 图7.15 Apache Kafka 逻辑架构.200
      • 表4.1 用户A 和B 的评分矩阵.43
      • 表4.2 电影内容特征二进制表示45
      • 表4.3 人脸魅力值打分不同模型的MAE 比较112
      • 表4.4 人脸魅力值打分不同模型的MAE 比较117
      • 表4.5 Keras 预训练好的图像分类模型118

      学习笔记

      TensorFlow深度学习之卷积神经网络CNN

      一、卷积神经网络的概述 卷积神经网络(ConvolutionalNeural Network,CNN)最初是为解决图像识别等问题设计的,CNN现在的应用已经不限于图像和视频,也可用于时间序列信号,比如音频信号和文本数据等。CNN作为一个深度学习架构被提出的最初诉求是降低对图像数据预处理的要求,避免复杂的特征工程。在卷积神经网络中,第一个卷积层会直接接受图像像素级的输入,每一层卷积(滤波器)都会提取数据中最有效的特征,这种方法可以提取到图像中最基础的特征,而后再进行组合和抽象形成更高阶的特征,因此CNN在理论上具有对图像缩放、平移和旋转的不变性。 卷积神经网络CNN的要点就是局部连接(Loc……

      python开启摄像头以及深度学习实现目标检测方法

      最近想做实时目标检测,需要用到python开启摄像头,我手上只有两个uvc免驱的摄像头,性能一般。利用python开启摄像头费了一番功夫,主要原因是我的摄像头都不能用cv2的VideCapture打开,这让我联想到原来opencv也打不开Android手机上的摄像头(后来采用QML的Camera模块实现的)。看来opencv对于摄像头的兼容性仍然不是很完善。 我尝了几种办法:v4l2,v4l2_capture以及simpleCV,都打不开。最后采用pygame实现了摄像头的采集功能,这里直接给大家分享具体实现代码(python3.6,cv2,opencv3.3,ubuntu16.04)。中间注释的部分是我上述方法打开摄像头的尝试,说不定有适合自己的。 import pygame.cameraimport timeimport pygameimport c……

      深度学习TensorFlow Session会话控制和Variable变量

      这篇文章主要讲TensorFlow中的Session的用法以及Variable。 Session会话控制 Session是TensorFlow为了控制和输出文件的执行语句,运行session.run()就能获得运算结果或者部分运算结果。我们在这里使用一个简单的矩阵相乘的例子来解释Session的两个用法。 首先我们要加载TensorFlow并建立两个矩阵以及两个矩阵所做的运算。这里我们建立一个一行两列的matrix1和一个两行一列的matrix2,让它们做矩阵的乘法。tf.matmul相当于numpy中的dot方法,都是做矩阵的product。 import tensorflow as tfmatrix1 = tf.constant([[2, 2]])matrix2 = tf.constant([[2], [2]])product = tf.matmul(matrix1, matrix2) 接下来我们使用第一种会话控制Session来激活product并得到计算结果: s……

      PyTorch的深度学习入门教程之构建神经网络

      前言 本文参考PyTorch官网的教程,分为五个基本模块来介绍PyTorch。为了避免文章过长,这五个模块分别在五篇博文中介绍。 Part3:使用PyTorch构建一个神经网络 神经网络可以使用touch.nn来构建。nn依赖于autograd来定义模型,并且对其求导。一个nn.Module包含网络的层(layers),同时forward(input)可以返回output。 这是一个简单的前馈网络。它接受输入,然后一层一层向前传播,最后输出一个结果。 训练神经网络的典型步骤如下: (1) 定义神经网络,该网络包含一些可以学习的参数(如权重) (2) 在输入数据集上进行迭代 (3) 使用网络对输入数据进行处理 (4) 计算loss(输出值距离正确值有多远) (5)……

      《Python深度学习》书评、读书笔记

      读者评价一 现阶段最浅显易懂的深度学习新手入门书,由Keras鼻祖落笔。高手不仅技术性能得,文采都不通常,确实就是说以便让尽量多的人可以应用深度学习而写的这这书,包含了深度学习的基本知识、Keras应用方式及其深度学习最好实践活动。 学习培训这书必须具有基本的PHP专业知识,但不用深度学习或是深度学习工作经验,也不用深奥的数学知识,高中数学水准得以看懂这书。 读者评价二 这这书从6月12号那一天老总递到我手上,到今日恰好六周,你在期内我逐字逐句地啃了这这书,并在每星期的星期二和星期五中午给组里的别人讲这这书,每一次讲3个钟头。直至5分钟前不久说完最终一章,写……

      以上就是本次介绍的深度学习电子书的全部相关内容,希望我们整理的资源能够帮助到大家,感谢大家对码农之家的支持。

      上一篇:微服务实践

      下一篇:Flutter技术入门与实战

      展开 +

      收起 -

      • 《推荐系统与深度学习》PDF下载

      下载地址:百度网盘下载
      深度学习相关电子书
      深度学习
      深度学习

      本书是深度学习的入门教材,系统地介绍了深度学习的基本概念与实战应用,包括深度学习在图像、语音、文本方向的应用,以及前沿发展等。本书分为10章,大致为3个部分:第1部分(1-3章)介绍深度学习的基础知识。第2部分(4-6章)介绍深度学习的各个方面,从算法设计到模型实现。第3部分(8-10章)介绍深度学习的实战应用以及前沿发展。每章都附有相应的习题和参考文献,以便感兴趣的读者进一步深入思考。 "让学习变得轻松”是本书的基本编写

      立即下载
      深度学习之TensorFlow:入门、原理与进阶实战
      深度学习之TensorFlow:入门、原理与进阶实战 中文扫描版

      这本书通过大量的实例,全面而深入地讲解了深度学习神经网络原理和TensorFlow使用方法两方面的内容,通俗易懂,实用性强,特别适合TensorFlow深度学习的初学者和进阶读者作为自学教程阅读

      立即下载
      深度学习算法实践(基于Theano和TensorFlow)
      深度学习算法实践(基于Theano和TensorFlow) 完整影印版

      1.中科院院士工程院院士陈志杰倾心作序,业内专家黄文涛、陈晓禾联手力荐。 2.以深度学习算法新手入门为主题思想,以NumPy、SciPy等科学计算库,深度神经网络流行优化算法,深度神经网络

      立即下载
      Web安全之深度学习实战
      Web安全之深度学习实战 高质量扫描版

      本书师零基础学习智能化Web安全技术、AI+安全力作,先介绍如何打造自己的TensorFlow、TFLearn等深度学习工具箱,着重介绍在生产环境搭建深度学习平台需要使用的开源组件,讲解了11个使用机器学习技术解决实际安全问题的案例

      立即下载
      深度学习:主流框架和编程实战
      深度学习:主流框架和编程实战 全书扫描版 立即下载
      深度学习:Keras快速开发入门
      深度学习:Keras快速开发入门 清晰扫描版

      帮助读者快速掌握一款深度学习框架,从而解决工作和学习当中神经网络模型的使用问题。同时,《深度学习:Keras快速开发入门》还介绍了如何用Keras快速构建深度学习原型并着手实战

      立即下载
      图解深度学习与神经网络
      图解深度学习与神经网络 超清版

      本书是以TensorFlow 为工具介绍神经网络和深度学习的入门书,内容循序渐进,以简单示例和图例的形式,展示神经网络和深度学习背后的数学基础原理,帮助读者更好地理解复杂抽象的公式。

      立即下载
      动手学深度学习
      动手学深度学习 超清版 立即下载
      深度学习之图像识别:核心技术与案例实战
      深度学习之图像识别:核心技术与案例实战 立即下载
      深度学习核心技术与实践
      深度学习核心技术与实践 高质量版

      本书介绍了深度学习的核心算法,以及在计算机视觉、语音识别、自然语言处理中的相关应用,讲解原理,较少贴代码。本书适合深度学习从业人士或者相关研究生作为参考资料

      立即下载
      读者留言
      szprogman

      szprogman 提供上传

      资源
      11
      粉丝
      3
      喜欢
      500
      评论
      7

      Copyright 2018-2020 www.xz577.com 码农之家

      投诉 / 推广 / 赞助:QQ:520161757