Building Recommender Systems with Machine Learning and AI: Help people discover new products and content with deep learning, neural networks, and machine learning recommendations.

ویرایش: 2 
نویسندگان: Frank Kane  
سری:  
 
ناشر: Sundog Education 
سال نشر: 2021 
تعداد صفحات: 503 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 31 مگابایت 

قیمت کتاب (تومان) : 45,000

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. این ویرایش دوم به‌روزرسانی‌شده، آخرین پیشرفت‌ها در این زمینه از گوگل و آمازون و آخرین تحقیقات در کاربرد شبکه‌های عصبی عمیق در سیستم‌های توصیه‌گر را پوشش می‌دهد. 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 350 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 سیستم های توصیه گر
• فیلتر مبتنی بر محتوا با استفاده از ویژگی های مورد
• همسایگی مبتنی بر همکاری فیلتر کردن با روش‌های مبتنی بر کاربر، آیتم‌محور و KNN CF
• روش‌های مبتنی بر مدل از جمله فاکتورسازی ماتریس و SVD
• استفاده از یادگیری عمیق، هوش مصنوعی و شبکه‌های عصبی مصنوعی در توصیه‌ها
• li>
• توصیه‌های مبتنی بر جلسه با شبکه‌های عصبی بازگشتی
• مقیاس‌سازی به مجموعه داده‌های عظیم با یادگیری ماشینی Apache Spark، یادگیری عمیق Amazon DSSTNE و AWS SageMaker با ماشین‌های فاکتورسازی
• استفاده از چارچوب توصیه‌کنندگان Tensorflow (TFRS) برای توسعه و استقرار سیستم‌های توصیه‌گر مبتنی بر یادگیری عمیق
• با استفاده از پلت‌فرم‌های SaaS مانند Amazon Personalize، Recombee و RichRelevance
• استفاده از شبکه‌های متخاصم مولد (GAN's) برای ایجاد توصیه‌های کاربر
• چالش‌ها و راه‌حل‌های دنیای واقعی با سیستم‌های توصیه‌گر
• مطالعات موردی از YouTube و Netflix
• ساخت توصیه‌کنندگان ترکیبی و گروهی
< /ul> این کتاب جامع شما را از روزهای اولیه فیلتر مشترک، تا کاربردهای پیشرفته شبکه های عصبی عمیق و تکنیک های مدرن یادگیری ماشین برای توصیه بهترین آیتم ها به هر کاربر می برد. . تمرین های کدنویسی این کتاب از زبان برنامه نویسی پایتون استفاده می کند. اگر در پایتون تازه کار هستید، مقدمه‌ای برای پایتون ارائه می‌کنیم، اما برای استفاده موفقیت‌آمیز از این کتاب، به تجربه قبلی در برنامه‌نویسی نیاز دارید. اگر در زمینه هوش مصنوعی تازه کار هستید، اما باید بتوانید الگوریتم‌های رایانه‌ای جدید را درک کنید، مقدمه‌ای کوتاه بر یادگیری عمیق، Tensorfow و Keras نیز ارائه می‌کنیم. شیرجه بزنید و با یکی از جالب ترین و پرسودترین کاربردهای یادگیری ماشینی و یادگیری عمیق آشنا شوید!

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. This updated second edition covers the latest developments in the field from Google and Amazon, and the latest research in applying deep neural networks to recommender systems. 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 350 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 Spark machine learning, Amazon DSSTNE deep learning, and AWS SageMaker with factorization machines
• Using the Tensorflow Recommenders Framework (TFRS) to develop and deploy deep learning-based recommender systems
• Using SaaS platforms such as Amazon Personalize, Recombee, and RichRelevance
• Using Generative Adversarial Networks (GAN's) to generate user recommendations
• Real-world challenges and solutions with recommender systems
• Case studies from YouTube and Netflix
• Building hybrid, ensemble recommenders

This comprehensive book takes you all the way from the early days of collaborative filtering, to bleeding-edge applications of deep neural networks and modern machine learning techniques for recommending the best items to every individual user . The coding exercises for this book use the Python programming language. We include an intro to Python if you're new to it, but you'll need some prior programming experience in order to use this book successfully. We also include a short introduction to deep learning, Tensorfow, and Keras if you are new to the field of artificial intelligence, but you'll need to be able to understand new computer algorithms. Dive in, and learn about one of the most interesting and lucrative applications of machine learning and deep learning there is!

Getting Started
	Introduction
	Getting Set Up
	Course Overview
	What Is a Recommender System?
Overview of Recommender Systems
	Applications of Recommender Systems
	Gathering Interest Data
	Top-N Recommenders
	Quiz
Introduction to Python
Evaluating Recommender Systems
	Testing Methodologies
	Accuracy Measures
	Hit Rate Measures
	Coverage
	Diversity
	Novelty
	Churn
	Responsiveness
	A/B Tests
	Quiz
	Measuring Recommenders with Python
Recommender Engine Design
Content-Based Filtering
	Attribute-based Recommendations
	Cosine Similarity
	K-Nearest Neighbors
	Coding Activity
	A Note on Implicit Ratings.
	Bleeding Edge Alert! Mise en Scène Similarities
	Coding Exercise
Neighborhood-Based Collaborative Filtering
	Top-N Architectures
	Cosine Similarity
	Sparsity
	Adjusted Cosine
	Pearson Similarity
	Spearman Rank Correlation
	Mean Squared Difference
	Jaccard Similarity
	User-based Collaborative Filtering
	Coding Activity
	Item-Based Collaborative Filtering
	Coding Activity
	KNN Recommenders
	Coding Activity
	Bleeding Edge Alert! Translation-Based Recommendations
Model-Based Methods
	Matrix Factorization
	Principal Component Analysis
	Coding Activity: SVD
	Flavors of Matrix Factorization
	Coding Exercise
	Bleeding Edge Alert! Sparse Linear Methods
Recommendations with Deep Learning
	Introduction to Deep Learning
		Deep Learning Pre-requisites
		Artificial Neural Networks
		Deep Learning Networks
		Using TensorFlow
		Using Keras
		Convolutional Neural Networks
		Recurrent Neural Networks
		Generative Adversarial Networks (GAN’s)
		Coding Exercise
	Recommendations with Deep Learning
		Restricted Boltzmann Machines
		Coding Exercise
		Deep Neural Networks for Recommendations
		Autoencoders
		Coding Activity
		Using RNN’s for Session-Based Recommendations
		Coding Exercise
		Bleeding Edge Alert! Generative Adversarial Network Recommenders
		Bleeding Edge Alert! Deep Factorization Machines
		Word2Vec
		3D CNN’s
Scaling it Up
	Apache Spark and MLLib
	Coding Activity
	Amazon DSSTNE
	Coding Activity
	AWS SageMaker
	Other Systems of Note
		Amazon Personalize
		Recombee
		PredictionIO
		RichRelevance
	System Architectures for Deployment
Challenges of Recommender Systems
	The Cold-Start Problem
	Exercise: Random Exploration
	Stoplists
	Filter Bubbles
	Trust
	Outliers and Data Cleaning
	Malicious User Behavior
	The Trouble with Click Data
	International Considerations
	The Effects of Time
	Optimizing for Profit
Case Studies
	YouTube
		Learning to Rank
	Netflix
Hybrid Recommenders
	Coding Exercise
More to Explore
Let’s Stay in Touch
About the Author