Practical Machine Learning

ساخت یک سیستم توصیه ساده اما قدرتمند بسیار ساده تر از آن چیزی است که فکر می کنید. این گزارش که برای همه سطوح تخصص قابل دسترس است، نوآوری هایی را توضیح می دهد که یادگیری ماشینی را برای تنظیمات تولید تجاری کاربردی می کند - و نشان می دهد که چگونه حتی یک تیم توسعه در مقیاس کوچک می تواند یک سیستم توصیه در مقیاس بزرگ موثر طراحی کند.

Apache Mahout. مرتکبان تد دانینگ و الن فریدمن شما را در طرحی راهنمایی می کنند که بر ساده سازی دقیق متکی است. شما یاد خواهید گرفت که چگونه داده های مناسب را جمع آوری کنید، آن ها را با الگوریتمی از کتابخانه Mahout تجزیه و تحلیل کنید، و سپس به راحتی توصیه کننده را با استفاده از فناوری جستجو، مانند Apache Solr یا Elasticsearch، مستقر کنید. قدرتمند و مؤثر، این ترکیب کارآمد، یادگیری آفلاین را انجام می دهد و توصیه های پاسخ سریع را در زمان واقعی ارائه می دهد.

• تفاوت بین توصیه کنندگان ساده و پیچیده را درک کنید
• اطلاعات کاربر را جمع آوری کنید که کاربر را ردیابی کند. اقدامات — به جای رتبه بندی آنها
• پیش بینی آنچه یک کاربر بر اساس رفتار دیگران می خواهد، با استفاده از تجزیه و تحلیل همزمانی Mahoutfor
• استفاده از فناوری جستجو برای ارائه توصیه ها در زمان واقعی، همراه با مورد فراداده
• مشاهده عملکرد توصیه‌کننده با نمونه‌ای از سرویس موسیقی
• توصیه‌کننده خود را با استفاده از روش‌های متداول، توصیه‌های چندوجهی و سایر تکنیک‌ها بهبود دهید

Building a simple but powerful recommendation system is much easier than you think. Approachable for all levels of expertise, this report explains innovations that make machine learning practical for business production settings—and demonstrates how even a small-scale development team can design an effective large-scale recommendation system.

Apache Mahout committers Ted Dunning and Ellen Friedman walk you through a design that relies on careful simplification. You’ll learn how to collect the right data, analyze it with an algorithm from the Mahout library, and then easily deploy the recommender using search technology, such as Apache Solr or Elasticsearch. Powerful and effective, this efficient combination does learning offline and delivers rapid response recommendations in real time.

• Understand the tradeoffs between simple and complex recommenders
• Collect user data that tracks user actions—rather than their ratings
• Predict what a user wants based on behavior by others, using Mahoutfor co-occurrence analysis
• Use search technology to offer recommendations in real time, complete with item metadata
• Watch the recommender in action with a music service example
• Improve your recommender with dithering, multimodal recommendation, and other techniques