دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: سایبرنتیک: هوش مصنوعی ویرایش: نویسندگان: Frank Kane سری: ISBN (شابک) : 1718120125, 9781718120129 ناشر: Independently Published سال نشر: 2018 تعداد صفحات: 0 زبان: English فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 48 مگابایت
در صورت تبدیل فایل کتاب Building Recommender Systems with Machine Learning and AI: Help People Discover New Products and Content with Deep Learning, Neural Networks, and Machine Learning Recommendations 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 ساخت سیستم های پیشنهادی با یادگیری ماشین و هوش مصنوعی: به افراد کمک کنید محصولات جدید و محتوای آنها را با یادگیری عمیق ، شبکه های عصبی و توصیه های یادگیری ماشین کشف کنند. 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.
نحوه ساخت سیستم های توصیه گر را از یکی از پیشگامان آمازون در این زمینه بیاموزید. فرانک کین بیش از 9 سال را در آمازون گذراند، جایی که او توسعه بسیاری از فناوری های سفارشی محصول شخصی آمازون را مدیریت و رهبری کرد. توصیههای خودکار را همه جا دیدهاید - در صفحه اصلی Netflix، در YouTube، و در آمازون زیرا این الگوریتمهای یادگیری ماشینی در مورد علایق منحصر به فرد شما یاد میگیرند و بهترین محصولات یا محتوا را برای شما به عنوان یک فرد نشان میدهند. این فناوریها برای بزرگترین و معتبرترین کارفرمایان فناوری تبدیل شدهاند، و با درک نحوه کار آنها، برای آنها بسیار ارزشمند خواهید بود. این کتاب از دوره آنلاین محبوب فرانک منتشر شده توسط آموزش Sundog اقتباس شده است، بنابراین می توانید از اسلایدهای آن کمک های بصری زیادی و لحنی محاوره ای و قابل دسترس در سراسر کتاب انتظار داشته باشید. گرافیک و اسکریپت از بیش از 300 اسلاید گنجانده شده است، و شما به تمام کد منبع مرتبط با آن نیز دسترسی خواهید داشت. ما الگوریتمهای توصیهشده آزمایش شده و واقعی را بر اساس فیلترهای مشارکتی مبتنی بر همسایگی پوشش خواهیم داد و به تکنیکهای مدرنتر از جمله فاکتورسازی ماتریس و حتی یادگیری عمیق با شبکههای عصبی مصنوعی میرسیم. در طول مسیر، از تجربه گسترده فرانک در صنعت فرا خواهید گرفت تا چالشهای دنیای واقعی را که هنگام استفاده از این الگوریتمها در مقیاس بزرگ و با دادههای دنیای واقعی با آنها مواجه میشوید، درک کنید. این کتاب بسیار کاربردی است. شما چارچوب خود را برای ارزیابی و ترکیب بسیاری از الگوریتمهای پیشنهادی مختلف با هم ایجاد خواهید کرد، و حتی شبکههای عصبی خود را با استفاده از Tensorflow برای ایجاد توصیههایی از رتبهبندی فیلمهای واقعی از افراد واقعی ایجاد خواهید کرد. ما موارد زیر را پوشش خواهیم داد: -ساخت موتور توصیه - ارزیابی سیستمهای توصیهگر - فیلتر مبتنی بر محتوا با استفاده از ویژگیهای آیتم - فیلتر مشارکتی مبتنی بر همسایگی با کاربر محور، آیتممحور و KNN CF - روشهای مبتنی بر مدل شامل فاکتورسازی ماتریس و SVD -استفاده از یادگیری عمیق، هوش مصنوعی و شبکههای عصبی مصنوعی در توصیهها -توصیههای مبتنی بر جلسه با شبکههای عصبی بازگشتی -مقیاسسازی به مجموعه دادههای عظیم با آپاچی
Learn how to build recommender systems from one of Amazon's pioneers in the field. Frank Kane spent over nine years at Amazon, where he managed and led the development of many of Amazon's personalized product recommendation technologies. You've seen automated recommendations everywhere - on Netflix's home page, on YouTube, and on Amazon as these machine learning algorithms learn about your unique interests, and show the best products or content for you as an individual. These technologies have become central to the largest, most prestigious tech employers out there, and by understanding how they work, you'll become very valuable to them. This book is adapted from Frank's popular online course published by Sundog Education, so you can expect lots of visual aids from its slides and a conversational, accessible tone throughout the book. The graphics and scripts from over 300 slides are included, and you'll have access to all of the source code associated with it as well. We'll cover tried and true recommendation algorithms based on neighborhood-based collaborative filtering, and work our way up to more modern techniques including matrix factorization and even deep learning with artificial neural networks. Along the way, you'll learn from Frank's extensive industry experience to understand the real-world challenges you'll encounter when applying these algorithms at large scale and with real-world data. This book is very hands-on; you'll develop your own framework for evaluating and combining many different recommendation algorithms together, and you'll even build your own neural networks using Tensorflow to generate recommendations from real-world movie ratings from real people. We'll cover: -Building a recommendation engine -Evaluating recommender systems -Content-based filtering using item attributes -Neighborhood-based collaborative filtering with user-based, item-based, and KNN CF -Model-based methods including matrix factorization and SVD -Applying deep learning, AI, and artificial neural networks to recommendations -Session-based recommendations with recursive neural networks -Scaling to massive data sets with Apache