ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

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 Practical Recommender Systems

دانلود کتاب سیستم های توصیه کننده عملی

Practical Recommender Systems

مشخصات کتاب

Practical Recommender Systems

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش:  
نویسندگان:   
سری:  
ISBN (شابک) : 1617292702, 9781617292705 
ناشر: Manning Publications 
سال نشر: 2019 
تعداد صفحات: 432 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 15 مگابایت

قیمت کتاب (تومان) : 43,000



کلمات کلیدی مربوط به کتاب سیستم های توصیه کننده عملی: یادگیری ماشینی، پایتون، سیستم‌های توصیه‌کننده، خوشه‌بندی، SQL، نظارت، ارزیابی مدل، آزمایش، رتبه‌بندی، رفتار کاربر، فیلتر مشارکتی، توصیه‌کننده‌های ترکیبی



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 8


در صورت تبدیل فایل کتاب Practical Recommender Systems 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 کننده عملی 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 کننده عملی

خلاصه سیستم‌های توصیه‌گر آنلاین به کاربران کمک می‌کنند فیلم‌ها، شغل‌ها، رستوران‌ها و حتی عاشقانه‌ها را پیدا کنند! هنر در ترکیب آمار، جمعیت شناسی و اصطلاحات پرس و جو برای دستیابی به نتایجی وجود دارد که آنها را خوشحال می کند. یاد بگیرید که یک سیستم توصیه‌کننده را به روش درست بسازید: این سیستم می‌تواند برنامه شما را بسازد یا خراب کند! خرید کتاب چاپی شامل یک کتاب الکترونیکی رایگان در قالب‌های PDF، Kindle و ePub از انتشارات منینگ است. درباره سیستم‌های توصیه‌کننده فناوری همه جا وجود دارد و به شما کمک می‌کند همه چیز را از فیلم گرفته تا شغل، رستوران تا بیمارستان، حتی عاشقانه پیدا کنید. این سیستم‌ها با استفاده از داده‌های رفتاری و جمعیت‌شناختی، پیش‌بینی می‌کنند که کاربران در یک زمان خاص به چه چیزی بیشتر علاقه‌مند خواهند بود، که در نتیجه پیشنهادهای باکیفیت، سفارشی و شخصی‌شده ارائه می‌شود. سیستم های توصیه گر عملا یک ضرورت برای به روز نگه داشتن محتوای سایت شما، مفید و جالب برای بازدیدکنندگان هستند. About the Book Practical Recommender Systems نحوه عملکرد سیستم های توصیه گر را توضیح می دهد و نحوه ایجاد و اعمال آنها را برای سایت خود نشان می دهد. پس از پرداختن به اصول اولیه، نحوه جمع‌آوری داده‌های کاربر و تولید توصیه‌های شخصی‌شده را خواهید دید. شما یاد خواهید گرفت که چگونه از محبوب ترین الگوریتم های توصیه استفاده کنید و نمونه هایی از آنها را در سایت هایی مانند آمازون و نتفلیکس ببینید. در نهایت، این کتاب مشکلات مقیاس‌بندی و سایر مسائلی را که با رشد سایت خود با آن مواجه خواهید شد، پوشش می‌دهد. آنچه در داخل است نحوه جمع‌آوری و درک رفتار کاربر فیلترینگ مشارکتی و مبتنی بر محتوا الگوریتم‌های یادگیری ماشین مثال‌های دنیای واقعی در پایتون درباره Reader خوانندگان به مهارت‌های برنامه‌نویسی و پایگاه داده متوسط ​​نیاز دارند. درباره نویسنده کیم فالک یک دانشمند داده با تجربه است که روزانه با یادگیری ماشین و سیستم های توصیه گر کار می کند. فهرست مطالب بخش 1 - آماده شدن برای سیستم های توصیه کننده توصیه کننده چیست؟ رفتار کاربر و نحوه جمع‌آوری آن نظارت بر رتبه‌بندی‌های سیستم و نحوه محاسبه آن‌ها توصیه‌های غیر شخصی کاربر (و محتوا) که از سردی وارد شده است بخش 2 - الگوریتم‌های توصیه‌کننده یافتن شباهت‌ها بین کاربران و بین محتوا فیلترینگ مشارکتی در همسایگی ارزیابی و آزمایش توصیه کننده خود فیلترینگ مبتنی بر محتوا یافتن ژانرهای پنهان با فاکتورسازی ماتریس استفاده از بهترین الگوریتم ها: پیاده سازی توصیه کننده های ترکیبی رتبه بندی و یادگیری رتبه بندی آینده سیستم های توصیه گر


توضیحاتی درمورد کتاب به خارجی

Summary Online recommender systems help users find movies, jobs, restaurants-even romance! There\'s an art in combining statistics, demographics, and query terms to achieve results that will delight them. Learn to build a recommender system the right way: it can make or break your application! Purchase of the print book includes a free eBook in PDF, Kindle, and ePub formats from Manning Publications. About the Technology Recommender systems are everywhere, helping you find everything from movies to jobs, restaurants to hospitals, even romance. Using behavioral and demographic data, these systems make predictions about what users will be most interested in at a particular time, resulting in high-quality, ordered, personalized suggestions. Recommender systems are practically a necessity for keeping your site content current, useful, and interesting to your visitors. About the Book Practical Recommender Systems explains how recommender systems work and shows how to create and apply them for your site. After covering the basics, you\'ll see how to collect user data and produce personalized recommendations. You\'ll learn how to use the most popular recommendation algorithms and see examples of them in action on sites like Amazon and Netflix. Finally, the book covers scaling problems and other issues you\'ll encounter as your site grows. What\'s inside How to collect and understand user behavior Collaborative and content-based filtering Machine learning algorithms Real-world examples in Python About the Reader Readers need intermediate programming and database skills. About the Author Kim Falk is an experienced data scientist who works daily with machine learning and recommender systems. Table of Contents PART 1 - GETTING READY FOR RECOMMENDER SYSTEMS What is a recommender? User behavior and how to collect it Monitoring the system Ratings and how to calculate them Non-personalized recommendations The user (and content) who came in from the cold PART 2 - RECOMMENDER ALGORITHMS Finding similarities among users and among content Collaborative filtering in the neighborhood Evaluating and testing your recommender Content-based filtering Finding hidden genres with matrix factorization Taking the best of all algorithms: implementing hybrid recommenders Ranking and learning to rank Future of recommender systems



فهرست مطالب

Part 1. Getting ready for recommender systems
1. What is a recommender
2. User behavior and how to collect it
3. Monitoring the system
4. Ratings and how to calculate them
5. Non-personalized recommendations
6. The user (and content) who came in from the cold

Part 2. Recommender algorithms
7. Finding similarities among users and among content
8. Collaborative filtering in the neighborhood
9. Evaluating and testing your recommender
10. Content-based filtering
11. Finding hidden genres with matrix factorization
12. Taking the best of all algorithms: Implementing hybrid recommenders
13. Ranking and learning to rank
14. Future of recommender systems




نظرات کاربران

تمامی حقوق معنوی و مادی وبسایت متعلق به اینترنشنال لایبرری می باشد
نماد اعتماد الکترونیکی