دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1
نویسندگان: Alexander Paprotny. Michael Thess (auth.)
سری: Applied and Numerical Harmonic Analysis
ISBN (شابک) : 9783319013206, 9783319013213
ناشر: Birkhäuser Basel
سال نشر: 2013
تعداد صفحات: 333
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 مگابایت
کلمات کلیدی مربوط به کتاب داده کاوی بلادرنگ: تکنیک های خودآموز برای موتورهای توصیه: علوم و مهندسی محاسبات، کاربردهای ریاضی در علوم کامپیوتر، نرم افزارهای ریاضی
در صورت تبدیل فایل کتاب Realtime Data Mining: Self-Learning Techniques for Recommendation Engines 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 داده کاوی بلادرنگ: تکنیک های خودآموز برای موتورهای 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.
توصیف مفاهیم ریاضی جدید برای موتورهای توصیه، داده کاوی بلادرنگ: تکنیکهای خودآموز برای موتورهای توصیه دارای یک چارچوب ریاضی صحیح است که رویکردهای مبتنی بر کنترل و نظریههای یادگیری را متحد میکند، فاکتورسازی تانسور و روش های سلسله مراتبی علاوه بر این، نتایج امیدوارکنندهای از آزمایشهای متعدد بر روی دادههای دنیای واقعی ارائه میدهد. حوزه دادهکاوی بیدرنگ در حال حاضر با سرعتی بسیار پویا در حال توسعه است، و سیستمهای داده کاوی بلادرنگ همتای سیستمهای داده کاوی «کلاسیک» امروزی هستند. در حالی که دومی ها از داده های تاریخی یاد می گیرند و سپس از آن برای استنباط اقدامات لازم استفاده می کنند، سیستم های تجزیه و تحلیل بلادرنگ یاد می گیرند و به طور مداوم و مستقل عمل می کنند. در پیشتاز این سیستم های تحلیلی جدید، موتورهای توصیه قرار دارند. آنها عمدتاً در اینترنت یافت می شوند، جایی که تمام اطلاعات به صورت بلادرنگ در دسترس است و بازخورد فوری تضمین می شود.
این تک نگاری برای دانشمندان کامپیوتر و متخصصان یادگیری ماشین، به ویژه در حوزه سیستم های توصیه گر، جذاب است، زیرا با در نظر گرفتن وظایف توصیه به عنوان کنترل، روش جدیدی از تفکر بلادرنگ را منتقل می کند. مشکلات نظری داده کاوی بلادرنگ:تکنیک های خودآموز برای موتورهای توصیه همچنین ریاضیدانان برنامه گرا را مورد توجه قرار می دهد زیرا به طور مداوم برخی از نویدبخش ترین حوزه های ریاضی، یعنی نظریه کنترل، تقریب چند سطحی را با هم ترکیب می کند. و فاکتورسازی تانسور.
Describing novel mathematical concepts for recommendation engines, Realtime Data Mining: Self-Learning Techniques for Recommendation Engines features a sound mathematical framework unifying approaches based on control and learning theories, tensor factorization, and hierarchical methods. Furthermore, it presents promising results of numerous experiments on real-world data. The area of realtime data mining is currently developing at an exceptionally dynamic pace, and realtime data mining systems are the counterpart of today's “classic” data mining systems. Whereas the latter learn from historical data and then use it to deduce necessary actions, realtime analytics systems learn and act continuously and autonomously. In the vanguard of these new analytics systems are recommendation engines. They are principally found on the Internet, where all information is available in realtime and an immediate feedback is guaranteed.
This monograph appeals to computer scientists and specialists in machine learning, especially from the area of recommender systems, because it conveys a new way of realtime thinking by considering recommendation tasks as control-theoretic problems. Realtime Data Mining:Self-Learning Techniques for Recommendation Engines will also interest application-oriented mathematicians because it consistently combines some of the most promising mathematical areas, namely control theory, multilevel approximation, and tensor factorization.
Front Matter....Pages i-xxiii
Brave New Realtime World: Introduction....Pages 1-9
Strange Recommendations? On the Weaknesses of Current Recommendation Engines....Pages 11-14
Changing Not Just Analyzing: Control Theory and Reinforcement Learning....Pages 15-40
Recommendations as a Game: Reinforcement Learning for Recommendation Engines....Pages 41-56
How Engines Learn to Generate Recommendations: Adaptive Learning Algorithms....Pages 57-90
Up the Down Staircase: Hierarchical Reinforcement Learning....Pages 91-118
Breaking Dimensions: Adaptive Scoring with Sparse Grids....Pages 119-142
Decomposition in Transition: Adaptive Matrix Factorization....Pages 143-181
Decomposition in Transition II: Adaptive Tensor Factorization....Pages 183-207
The Big Picture: Toward a Synthesis of RL and Adaptive Tensor Factorization....Pages 209-225
What Cannot Be Measured Cannot Be Controlled: Gauging Success with A/B Tests....Pages 227-234
Building a Recommendation Engine: The XELOPES Library....Pages 235-300
Last Words: Conclusion....Pages 301-304
ERRATUM....Pages E1-E10
Back Matter....Pages 305-313