失效链接处理 |
推荐pȝ法实践 黄美?nbsp; PDF 下蝲
本站整理下蝲Q?/strong>
版权归出版社和原作者所有,链接已删除,误买正?/b>
用户下蝲说明Q?/strong>
?sh)子版仅供预览,下蝲?4时内务必删除,支持正版Q喜Ƣ的误买正版书c:(x)
http://product.dangdang.com/620206538.html
相关截图Q?br />
![]() 资料介:(x) 本书主要讲解推荐pȝ中的召回法和排序算法,以及(qing)各个法在主工具Sklearn、Spark、TensorFlow{中的实现和应用?书中本着循序渐进的原则进行讲解。首先,介绍推荐pȝ中推荐算法的数学基础Q推荐算法的q_、工具基Q以?qing)具体的推荐pȝ。其ơ,Ҏ(gu)荐系l中的召回算法进行讲解,主要包括Z行ؓ(f)怼的协同过滤召回和Z内容怼的Word2vec 召回Qƈ且介l其在Spark、TensorFlow L工具中的实现与应用。再ơ,讲解推荐pȝ中的排序法Q包括线性模型、树(wi)模型和深度学?fn)模型,分别介绍逻辑回归、FM、决{树(wi)、随机森林、GBDT、GBDT+LR、集成学?fn)、深度森林、DNN、Wide Q?Deep、DeepFM、YouTube推荐{模型的原理Q以?qing)其在Sklearn、Spark、TensorFlow L工具中的实现与应用?后,介绍推荐法? 个实跉|例,帮助读者进行工E实践和应用Qƈ且介l如何在Notebook 上进行代码开发和法调试Q以帮助读者提升工作效率?/span> 资料目录Q?br /> W?部分 推荐pȝ的算法基 W??数学基础 2 1.1 U性代?2 1.2 概率与统?5 1.3 损失函数 7 1.4 优化Ҏ(gu) 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h(hun)Ҏ(gu) 11 1.5.1 h矩阵 11 1.5.2 ROC曲线 13 W??推荐pȝ介绍 17 2.1 推荐pȝ背景 17 2.2 推荐pȝ的典型案?18 2.2.1 ***推荐 19 2.2.2 Facebook推荐 21 2.2.3 YouTube推荐 22 2.3 推荐pȝ原理 23 W??推荐法工具 26 3.1 Python Sklearn机器学习(fn)?26 3.1.1 Sklearn介绍 26 3.1.2 Sklearn建模程 27 3.2 Spark MLlib机器学习(fn)?28 3.2.1 MLlib介绍 28 3.2.2 MLlib建模程 29 3.3 TensorFlow 31 3.3.1 TensorFlow介绍 31 3.3.2 TensorFlow建模程 31 3.4 Notebook介绍 32 3.4.1 Zeppelin Notebook介绍 32 3.4.2 Jupyter Notebook介绍 36 W?部分 推荐pȝ的召回算?/span> W??协同qo(h)——Z行ؓ(f)怼的召?40 4.1 协同qo(h)法 40 4.1.1 协同qo(h)推荐概述 40 4.1.2 用户评分 41 4.1.3 怼度计?41 4.1.4 推荐计算 43 4.2 协同qo(h)推荐法实现 44 4.2.1 怼度计及(qing)推荐计算 47 4.2.2 协同推荐 54 4.2.3 q行l果 59 W??Word2vec——Z内容怼的召?65 5.1 Word2vec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 W?部分 推荐pȝ的排序算?mdash;—U性模?/span> W??逻辑回归 86 6.1 逻辑回归法 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QSoftmax回归Q?88 6.1.4 逻辑回归的网l结?89 6.1.5 梯度下降法 90 6.1.6 正则?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ȝ 114 W??因子分解机(F(tun)MQ?115 7.1 FM法 115 7.1.1 FM模型 115 7.1.2 FFM模型 118 7.1.3 FM模型的网l结?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ȝ 128 W?部分 推荐pȝ的排序算?mdash;—?wi)模?/span> W??决策?130 8.1 决策?wi)算?130 8.1.1 决策?wi)模?130 8.1.2 特征选择 131 8.1.3 决策?wi)的生?133 8.1.4 决策?wi)的生成实?134 8.1.5 决策?wi)的剪?135 8.2 决策?wi)的集成?136 8.2.1 集成分类?136 8.2.2 随机林 137 8.2.3 GBDT 137 8.3 决策?wi)集成算法实?139 8.3.1 Spark实现 139 8.3.2 Sklearn实现 149 8.3.3 效果ȝ 154 W??集成学习(fn) 155 9.1 GBDT+LR法 155 9.1.1 背景 155 9.1.2 GBDT+LR|络l构 156 9.2 深度林法 159 9.2.1 深度林介绍 159 9.2.2 U联林 160 9.2.3 多粒度扫?161 9.3 决策?wi)集成分cd 162 9.4 集成学习(fn)实例 164 9.4.1 GBDT+LR实现 164 9.4.2 深度林实现 167 9.4.3 效果ȝ 175 W?部分 推荐pȝ的排序算?mdash;—深度学习(fn)模型 W?0?深度学习(fn)在推荐算法中的应?178 10.1 推荐模型的特?178 10.2 Z深度学习(fn)的推荐模?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?181 10.2.3 特征交叉优化 183 10.2.4 特征q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 W?1?DNN法 189 11.1 人工经|络法 189 11.1.1 经?189 11.1.2 经|络模型 191 11.1.3 信号的前向传?191 11.1.4 误差的反向传?193 11.2 DNN优化Ҏ(gu) 195 11.2.1 优化参数 196 11.2.2 Attention机制 197 11.3 DNN实例 198 11.4 q行l果 205 W?2?Wide Q?Deep模型 206 12.1 Wide Q?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 Q?Deeppȝ实现 211 12.2.1 推荐pȝ介绍 211 12.2.2 pȝ程 212 12.2.3 训练数据的生?213 12.2.4 模型训练 213 12.2.5 U上应用 214 12.3 Wide Q?Deep实例 214 12.4 q行l果 219 W?3?DeepFM模型 225 13.1 DeepFM模型概述 225 13.1.1 FMlg 226 13.1.2 Deeplg 228 13.1.3 模型Ҏ(gu) 229 13.2 DeepFM模型实例 231 13.3 q行l果 241 W?4?YouTube的深度神l网l模?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 q行l果 256 W?部分 推荐pȝ的算法实?/span> W?5?实践——Z?sh)商q_的商品召?260 15.1 背景介绍 260 15.2 模型选择 261 15.3 法开?261 W?6?实践——Z逻辑回归的音乐评分预?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 法开?271 W?7?实践——Kaggle竞赛之Outbrain点击率预?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(fn) 292 17.5 法开?292 W?8?实践——Z深度学习(fn)的电(sh)商商品点ȝ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 法开?304 18.6 q行l果 309 W?9?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qo(h)调试实践 331 |