我爱电子书-《自己动手做推荐引擎: 自己动手系列》| pdf + epub + mobi + awz3, 高清版, 带目录，Kindle版, 多看精排版下载

注重体验与质量的电子书资源下载网站

分类于: 编程语言计算机基础云计算&大数据

简介

自己动手做推荐引擎: 自己动手系列豆 0.0分

资源最后更新于 2020-03-29 02:01:53

作者：〔印〕苏雷什·库马尔·戈拉卡拉（Suresh Kumar Gorakala）

译者：左妍

出版社：出版社机械工业出版社

出版日期：2019-11

ISBN：9787111641087

文件格式： pdf

标签：程序设计大数据数据库 Python 自己动手系列

简介· · · · · ·

本书是一本推荐引擎技术的综合入门指南，介绍使用R、Python、Spark、Mahout、Neo4j技术实现诸如协同过滤、基于内容的推荐引擎和情境感知推荐引擎的内容。本书也介绍了广泛用于行业内的各种推荐引擎及其实现。当然，也涵盖了一些推荐引擎中常用的流行数据挖掘技术，并在本书最后简要讨论了推荐引擎的未来方向。苏雷什·库马尔·戈拉卡拉（Suresh Kumar Gorakala）编著

直接下载

简介

自己动手做推荐引擎: 自己动手系列 豆 0.0分

简介· · · · · ·

目录

作者简介

技术评审员简介

前言

第1章 推荐引擎介绍

1.1 推荐引擎定义

1.2 推荐系统的必要性

1.3 大数据对推荐系统的推动作用

1.4 推荐系统类型

1.5 推荐系统技术的发展

1.6 本章小结

第2章 构建第一个推荐引擎

2.1 构建基础推荐引擎

2.2 本章小结

第3章 推荐引擎详解

3.1 推荐引擎的发展

3.2 基于近邻算法的推荐引擎

3.3 基于内容的推荐系统

3.4 情境感知推荐系统

3.5 混合推荐系统

3.6 基于模型的推荐系统

3.7 本章小结

第4章 数据挖掘技术在推荐引擎中的应用

4.1 基于近邻算法的技术

4.2 数学建模技术

4.3 机器学习技术

4.4 聚类技术

4.5 降维

4.6 向量空间模型

4.7 评估技术

4.8 本章小结

第5章 构建协同过滤推荐引擎

5.1 在RStudio上安装recommenderlab

5.2 recommenderlab包中可用的数据集

5.3 探讨数据集

5.4 使用recommenderlab构建基于用户的协同过滤

5.5 构建基于项目的推荐模型

5.6 使用Python构建协同过滤

5.7 数据探讨

5.8 使用KNN进行基于用户的协同过滤

5.9 基于项目的推荐

5.10 本章小结

第6章 构建个性化推荐引擎

6.1 个性化推荐系统

6.2 基于内容的推荐系统

6.3 情境感知推荐系统

6.4 本章小结

第7章 使用Spark构建实时推荐引擎

7.1 Spark 2.0介绍

7.2 使用交替最小二乘法进行协同过滤

7.3 使用PySpark构建基于模型的推荐系统

7.4 MLlib推荐引擎模块

7.5 推荐引擎方法

7.6 本章小结

第8章 通过Neo4j构建实时推荐

8.1 图数据库种类

8.2 Neo4j

8.3 Neo4j Windows安装

8.4 Neo4j Linux安装

8.5 构建推荐引擎

8.6 本章小结

第9章 使用Mahout构建可扩展的推荐引擎

9.1 Mahout简介

9.2 配置Mahout

9.3 Mahout的核心构建模块

9.4 基于项目的协同过滤

9.5 协同过滤评估

9.6 基于用户的推荐评估

9.7 基于项目的推荐评估

9.8 SVD推荐系统

9.9 使用Mahout进行分布式推荐

9.10 可扩展系统的架构

9.11 本章小结

第10章 推荐引擎的未来

10.1 推荐引擎的未来

10.2 推荐系统的发展阶段

10.3 流行方法

自己动手做推荐引擎: 自己动手系列豆 0.0分

第1章　推荐引擎介绍

1.1　推荐引擎定义

1.2　推荐系统的必要性

1.3　大数据对推荐系统的推动作用

1.4　推荐系统类型

1.5　推荐系统技术的发展

1.6　本章小结

第2章　构建第一个推荐引擎

2.1　构建基础推荐引擎

2.2　本章小结

第3章　推荐引擎详解

3.1　推荐引擎的发展

3.2　基于近邻算法的推荐引擎

3.3　基于内容的推荐系统

3.4　情境感知推荐系统

3.5　混合推荐系统

3.6　基于模型的推荐系统

3.7　本章小结

第4章　数据挖掘技术在推荐引擎中的应用

4.1　基于近邻算法的技术

4.2　数学建模技术

4.3　机器学习技术

4.4　聚类技术

4.5　降维

4.6　向量空间模型

4.7　评估技术

4.8　本章小结

第5章　构建协同过滤推荐引擎

5.1　在RStudio上安装recommenderlab

5.2　recommenderlab包中可用的数据集

5.3　探讨数据集

5.4　使用recommenderlab构建基于用户的协同过滤

5.5　构建基于项目的推荐模型

5.6　使用Python构建协同过滤

5.7　数据探讨

5.8　使用KNN进行基于用户的协同过滤

5.9　基于项目的推荐

5.10　本章小结

第6章　构建个性化推荐引擎

6.1　个性化推荐系统

6.2　基于内容的推荐系统

6.3　情境感知推荐系统

6.4　本章小结

第7章　使用Spark构建实时推荐引擎

7.1　Spark 2.0介绍

7.2　使用交替最小二乘法进行协同过滤

7.3　使用PySpark构建基于模型的推荐系统

7.4　MLlib推荐引擎模块

7.5　推荐引擎方法

7.6　本章小结

第8章　通过Neo4j构建实时推荐

8.1　图数据库种类

8.2　Neo4j

8.3　Neo4j Windows安装

8.4　Neo4j Linux安装

8.5　构建推荐引擎

8.6　本章小结

第9章　使用Mahout构建可扩展的推荐引擎

9.1　Mahout简介

9.2　配置Mahout

9.3　Mahout的核心构建模块

9.4　基于项目的协同过滤

9.5　协同过滤评估

9.6　基于用户的推荐评估

9.7　基于项目的推荐评估

9.8　SVD推荐系统

9.9　使用Mahout进行分布式推荐

9.10　可扩展系统的架构

9.11　本章小结

第10章　推荐引擎的未来

10.1　推荐引擎的未来

10.2　推荐系统的发展阶段

10.3　流行方法

10.4　推荐引擎的时效性

10.5　本章小结