دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Building a Recommendation System with R: Learn the art of building robust and powerful recommendation engines using R
دانلود کتاب ساختن یک سیستم توصیه با R: هنر ساخت موتورهای پیشنهادی قوی و قدرتمند را با استفاده از R بیاموزید
مشخصات کتاب
Building a Recommendation System with R: Learn the art of building robust and powerful recommendation engines using R
ویرایش: نویسندگان: Suresh K. Gorakala, Michele Usuelli سری: ISBN (شابک) : 9781783554492 ناشر: Packt Publishing سال نشر: 2015 تعداد صفحات: 158 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 مگابایت
قیمت کتاب (تومان) : 34,000
در صورت تبدیل فایل کتاب Building a Recommendation System with R: Learn the art of building robust and powerful recommendation engines using R به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب ساختن یک سیستم توصیه با R: هنر ساخت موتورهای پیشنهادی قوی و قدرتمند را با استفاده از R بیاموزید نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب ساختن یک سیستم توصیه با R: هنر ساخت موتورهای پیشنهادی قوی و قدرتمند را با استفاده از R بیاموزید
یک سیستم توصیه، تجزیه و تحلیل داده های گسترده ای را انجام می دهد تا پیشنهاداتی را برای کاربران خود در مورد آنچه ممکن است مورد علاقه آنها باشد، ایجاد کند. R اخیراً به یکی از محبوب ترین زبان های برنامه نویسی برای تجزیه و تحلیل داده ها تبدیل شده است. ساختار آن به شما امکان می دهد به طور تعاملی داده ها را کاوش کنید و ماژول های آن به لطف جامعه گسترده بین المللی آن، دارای پیشرفته ترین تکنیک ها هستند. این ویژگی متمایز زبان R آن را به انتخابی ارجح برای توسعه دهندگانی که به دنبال ساخت سیستم های توصیه هستند تبدیل می کند. این کتاب به شما کمک می کند تا درک کنید که چگونه سیستم های توصیه گر را با استفاده از R بسازید. با توضیح مبانی داده کاوی و یادگیری ماشین شروع می شود. در ادامه، با نحوه ساخت و بهینه سازی مدل های توصیه گر با استفاده از R آشنا خواهید شد. پس از آن، مروری بر محبوب ترین تکنیک های توصیه به شما داده خواهد شد. در نهایت، شما یاد خواهید گرفت که تمام مفاهیمی را که در طول کتاب آموخته اید، برای ساختن یک سیستم توصیه گر پیاده سازی کنید.
توضیحاتی درمورد کتاب به خارجی
A recommendation system performs extensive data analysis in order to generate suggestions to its users about what might interest them. R has recently become one of the most popular programming languages for the data analysis. Its structure allows you to interactively explore the data and its modules contain the most cutting-edge techniques thanks to its wide international community. This distinctive feature of the R language makes it a preferred choice for developers who are looking to build recommendation systems. The book will help you understand how to build recommender systems using R. It starts off by explaining the basics of data mining and machine learning. Next, you will be familiarized with how to build and optimize recommender models using R. Following that, you will be given an overview of the most popular recommendation techniques. Finally, you will learn to implement all the concepts you have learned throughout the book to build a recommender system.
فهرست مطالب
Cover
Copyright
Credits
About the Authors
About the Reviewer
www.PacktPub.com
Table of Contents
Preface
Chapter 1: Getting Started with Recommender Systems
Understanding recommender systems
The structure of the book
Collaborative filtering recommender systems
Content-based recommender systems
Knowledge-based recommender systems
Hybrid systems
Evaluation techniques
A case study
The future scope
Summary
Chapter 2: Data Mining Techniques Used in Recommender Systems
Solving a data analysis problem
Data preprocessing techniques
Similarity measures
Euclidian distance. Cosine distancePearson correlation
Dimensionality reduction
Principal component analysis
Data mining techniques
Cluster analysis
Explaining the k-means cluster algorithm
Support vector machine
Decision trees
Ensemble methods
Bagging
Random forests
Boosting
Evaluating data-mining algorithms
Summary
Chapter 3: Recommender Systems
R package for recommendation --
recommenderlab
Datasets
Jester5k, MSWeb, and MovieLense
The class for rating matrices
Computing the similarity matrix
Recommendation models
Data exploration
Exploring the nature of the data. Exploring the values of the ratingExploring which movies have been viewed
Exploring the average ratings
Visualizing the matrix
Data preparation
Selecting the most relevant data
Exploring the most relevant data
Normalizing the data
Binarizing the data
Item-based collaborative filtering
Defining the training and test sets
Building the recommendation model
Exploring the recommender model
Applying the recommender model on the test set
User-based collaborative filtering
Building the recommendation model
Applying the recommender model on the test set. Collaborative filtering on binary dataData preparation
Item-based collaborative filtering on binary data
User-based collaborative filtering on binary data
Conclusions about collaborative filtering
Limitations of collaborative filtering
Content-based filtering
Hybrid recommender systems
Knowledge-based recommender systems
Summary
Chapter 4: Evaluating the Recommender Systems
Preparing the data to evaluate the models
Splitting the data
Bootstrapping data
Using k-fold to validate models
Evaluating recommender techniques
Evaluating the ratings
Evaluating the recommendations. Identifying the most suitable modelComparing models
Identifying the most suitable model
Optimizing a numeric parameter
Summary
Chapter 5: Case Study --
Building Your Own Recommendation Engine
Preparing the data
Description of the data
Importing the data
Defining a rating matrix
Extracting item attributes
Building the model
Evaluating and optimizing the model
Building a function to evaluate the model
Optimizing the model parameters
Summary
Appendix: References
Index.
