برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید

09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Hands-On Recommendation Systems with Python

دانلود کتاب سیستم های توصیه عملی با پایتون

مشخصات کتاب

Hands-On Recommendation Systems with Python

دسته بندی: برنامه نويسي
ویرایش: 1 
نویسندگان: Rounak Banik  
سری:  
ISBN (شابک) : 9781788993753, 9781788992534 
ناشر: Packt Publishing 
سال نشر: 2018 
تعداد صفحات: 0 
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت

قیمت کتاب (تومان) : 51,000

کلمات کلیدی مربوط به کتاب سیستم های توصیه عملی با پایتون: برنامه نویسی، پایتون، پانداها، داده کاوی

میانگین امتیاز به این کتاب :
تعداد امتیاز دهندگان : 12

در صورت تبدیل فایل کتاب Hands-On Recommendation Systems with Python 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 سیستم های توصیه عملی با پایتون 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 سیستم های توصیه عملی با پایتون

سیستم های توصیه کننده استاندارد صنعتی بسازید فقط آشنایی با پایتون الزامی است برای استفاده از این کتاب نیازی به گذر از نظریه پیچیده یادگیری ماشین نیست اهداف با انواع مختلف سیستم های توصیه گر آشنا شوید با استفاده از کتابخانه پانداها بر تکنیک های جدال داده ها مسلط شوید ساخت 250 کلون برتر IMDB یک موتور مبتنی بر محتوا بسازید تا فیلم‌هایی را بر اساس فراداده فیلم توصیه کنید از تکنیک های داده کاوی استفاده شده در ساخت توصیه کننده ها استفاده کنید با استفاده از الگوریتم های قدرتمند فیلترهای مشترک استاندارد صنعتی بسازید ساختن توصیه‌های ترکیبی که شامل تکان دادن محتوا و مشارکتی است در باره سیستم های توصیه امروزه در قلب تقریباً هر کسب و کار اینترنتی قرار دارند. از فیس بوک تا نتفلیکس و آمازون. ارائه توصیه‌های خوب، چه دوستان، چه فیلم‌ها یا خواربارفروشی‌ها، در تعریف تجربه کاربری و ترغیب مشتریان شما به استفاده از پلتفرم شما بسیار مفید است. این کتاب به شما نشان می دهد که چگونه این کار را انجام دهید. با انواع مختلف توصیه‌کننده‌های مورد استفاده در صنعت آشنا می‌شوید و نحوه ساخت آنها را از ابتدا با استفاده از پایتون خواهید دید. نیازی به گذر از هزاران نظریه یادگیری ماشین نیست - شما با ساختن و یادگیری توصیه‌گران در سریع‌ترین زمان ممکن شروع به کار خواهید کرد. در این کتاب، شما یک کلون IMDB Top 250، یک موتور مبتنی بر محتوا که بر روی ابرداده فیلم کار می کند، خواهید ساخت. از فیلترهای مشارکتی برای استفاده از داده های رفتار مشتری و یک توصیه گر ترکیبی استفاده می کنید که تکنیک های فیلتر مبتنی بر محتوا و مشارکتی را در خود جای داده است. با استفاده از این کتاب، تنها چیزی که برای شروع کار با ساخت سیستم های توصیه نیاز دارید، آشنایی با پایتون است، و تا پایان کار، درک خوبی از نحوه کار توصیه کنندگان خواهید داشت و در موقعیتی قوی برای به کارگیری تکنیک هایی خواهید بود که شما دامنه های مشکل خود را یاد خواهید گرفت.

توضیحاتی درمورد کتاب به خارجی

Build industry-standard recommender systems Only familiarity with Python is required No need to wade through complicated machine learning theory to use this book Objectives Get to grips with the different kinds of recommender systems Master data-wrangling techniques using the pandas library Building an IMDB Top 250 Clone Build a content based engine to recommend movies based on movie metadata Employ data-mining techniques used in building recommenders Build industry-standard collaborative filters using powerful algorithms Building Hybrid Recommenders that incorporate content based and collaborative fltering About Recommendation systems are at the heart of almost every internet business today; from Facebook to Netﬂix to Amazon. Providing good recommendations, whether it's friends, movies, or groceries, goes a long way in defining user experience and enticing your customers to use your platform. This book shows you how to do just that. You will learn about the different kinds of recommenders used in the industry and see how to build them from scratch using Python. No need to wade through tons of machine learning theory—you'll get started with building and learning about recommenders as quickly as possible.. In this book, you will build an IMDB Top 250 clone, a content-based engine that works on movie metadata. You'll use collaborative filters to make use of customer behavior data, and a Hybrid Recommender that incorporates content based and collaborative filtering techniques With this book, all you need to get started with building recommendation systems is a familiarity with Python, and by the time you're fnished, you will have a great grasp of how recommenders work and be in a strong position to apply the techniques that you will learn to your own problem domains.

فهرست مطالب

1 Getting Started with Recommender Systems
2 Manipulating Data with the Pandas Library
3 Building an IMDB Top 250 Clone with Pandas
4 Building Content-Based Recommenders
5 Getting Started with Data Mining Techniques
6 Building Collaborative Filters
7 Hybrid Recommenders
AAppendix A: Other Books You May Enjoy
AAppendix B: Index