Recommender System with Machine Learning and Artificial Intelligence: Practical Tools and Applications in Medical, Agricultural and Other Industries

این کتاب یک تلاش چند رشته‌ای است که متخصصان سراسر جهان را در زمینه‌های مختلف، مانند هوش مصنوعی، تعامل کامپیوتری انسانی، فناوری اطلاعات، داده‌کاوی، آمار، رابط‌های کاربری تطبیقی، سیستم‌های پشتیبانی تصمیم، بازاریابی و مصرف‌کننده درگیر می‌کند. رفتار - اخلاق. این به طور جامع موضوع سیستم های توصیه گر را پوشش می دهد، که توصیه های شخصی اقلام یا خدمات را بر اساس رفتار گذشته کاربران جدید ارائه می دهد. روش‌های سیستم توصیه‌کننده برای برنامه‌های کاربردی متنوعی از جمله شبکه‌های اجتماعی، توصیه فیلم، استخراج گزارش جستجو، توصیه‌های خبری و تبلیغات محاسباتی تطبیق داده شده‌اند.

این کتاب موضوعات اساسی و پیشرفته یک حوزه تحقیقاتی را که اکنون به آن رسیده‌است ترکیب می‌کند. بلوغ. توصیه‌ها در حوزه‌ها و زمینه‌های کشاورزی یا مراقبت‌های بهداشتی، زمینه یک توصیه را می‌توان به عنوان اطلاعات جانبی مهمی در نظر گرفت که بر اهداف توصیه تأثیر می‌گذارد. انواع مختلف زمینه مانند داده‌های زمانی، داده‌های مکانی، داده‌های اجتماعی، داده‌های برچسب‌گذاری و قابلیت اعتماد بررسی می‌شوند. این کتاب نشان می‌دهد که چگونه این فناوری می‌تواند از کاربر در فرآیندهای تصمیم‌گیری، برنامه‌ریزی و خرید در بخش‌های کشاورزی و مراقبت‌های بهداشتی پشتیبانی کند.

This book is a multi-disciplinary effort that involves world-wide experts from diverse fields, such as artificial intelligence, human computer interaction, information technology, data mining, statistics, adaptive user interfaces, decision support systems, marketing, and consumer behavior.  It comprehensively covers the topic of recommender systems, which provide personalized recommendations of items or services to the new users based on their past behavior.  Recommender system methods have been adapted to diverse applications including social networking, movie recommendation, query log mining, news recommendations, and computational advertising.

This book synthesizes both fundamental and advanced topics of a research area that has now reached maturity. Recommendations in agricultural or healthcare domains and contexts, the context of a recommendation can be viewed as important side information that affects the recommendation goals. Different types of context such as temporal data, spatial data, social data, tagging data, and trustworthiness are explored. This book illustrates how this technology can support the user in decision-making, planning and purchasing processes in agricultural & healthcare sectors.