دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Practical Machine Learning: Innovations in Recommendation
دانلود کتاب یادگیری ماشین عملی: نوآوری در توصیه
مشخصات کتاب
Practical Machine Learning: Innovations in Recommendation
ویرایش: 1
نویسندگان: Ted Dunning. Ellen Friedman
سری:
ISBN (شابک) : 9781491915387, 1491915382
ناشر: O'Reilly Media
سال نشر: 2014
تعداد صفحات: 55
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 5 مگابایت
قیمت کتاب (تومان) : 59,000
در صورت تبدیل فایل کتاب Practical Machine Learning: Innovations in Recommendation 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 یادگیری ماشین عملی: نوآوری در توصیه 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 یادگیری ماشین عملی: نوآوری در توصیه
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، نوآوری‌هایی را توضیح می‌دهد که یادگیری ماشینی را برای تنظیمات تولید تجاری عملی می‌کند - و نشان می‌دهد که چگونه حتی یک تیم توسعه در مقیاس کوچک می‌تواند یک سیستم توصیه در مقیاس بزرگ را طراحی کند.
<. p>تد دانینگ و الن فریدمن متعهدهای آپاچی ماهوت شما را در طرحی راهنمایی می‌کنند که بر ساده‌سازی 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 موثر، 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
- جمع آوری داده های کاربر که اقدامات کاربر را ردیابی می کند - به جای رتبه بندی آنها
- با استفاده از تجزیه و تحلیل هم‌وضعیت Mahoutfor بر اساس رفتار دیگران، آنچه را که کاربر می‌خواهد پیش‌بینی کنید
- از فناوری جستجو برای ارائه توصیه‌ها در زمان واقعی و کامل استفاده کنید. با فراداده مورد
- به همراه یک نمونه سرویس موسیقی، توصیه‌کننده را در عمل تماشا کنید
- < span>توصیه‌گر خود را با روش‌های پراکنده، توصیه‌های چندوجهی و سایر تکنیک‌ها بهبود دهید
توضیحاتی درمورد کتاب به خارجی
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
فهرست مطالب
Copyright Table of Contents Chapter 1. Practical Machine Learning What’s a Person To Do? Making Recommendation Approachable Chapter 2. Careful Simplification Behavior, Co-occurrence, and Text Retrieval Design of a Simple Recommender Chapter 3. What I Do, Not What I Say Collecting Input Data Chapter 4. Co-occurrence and Recommendation How Apache Mahout Builds a Model Relevance Score Chapter 5. Deploy the Recommender What Is Apache Solr/Lucene? Why Use Apache Solr/Lucene to Deploy? What’s the Connection Between Solr and Co-occurrence Indicators? How the Recommender Works Two-Part Design Chapter 6. Example: Music Recommender Business Goal of the Music Machine Data Sources Recommendations at Scale A Peek Inside the Engine Using Search to Make the Recommendations Chapter 7. Making It Better Dithering Anti-flood When More Is More: Multimodal and Cross Recommendation Chapter 8. Lessons Learned Appendix A. Additional Resources Slides/Videos Blog Books Training Apache Mahout Open Source Project LucidWorks Elasticsearch About the Authors
