機器學習實戰

肖睿 向成洪 徐聖林 於倫 王蘭 陳祥 喬智

  • 出版商: 人民郵電
  • 出版日期: 2021-08-01
  • 定價: $359
  • 售價: 7.0$251
  • 語言: 簡體中文
  • 頁數: 230
  • 裝訂: 平裝
  • ISBN: 7115563209
  • ISBN-13: 9787115563200
  • 相關分類: Machine Learning
  • 立即出貨

  • 機器學習實戰-preview-1
  • 機器學習實戰-preview-2
機器學習實戰-preview-1

相關主題

商品描述

全書從推薦系統的發展歷史、基本構成開始,依次剖析推薦系統的內容召回、協同過濾召回、深度學習召回中具有代表性的模型;再從經典排序模型到基於深度學習的排序,順勢介紹會話推薦、強化學習推薦及工業級推薦,搭建了完整的推薦系統技術體系,這是一個由淺入深的系統學習過程。

本書的目標讀者應該對深度學習有基本的瞭解,掌握概率論、線性代數、微積分等學科的基本知識,具備使用Python語言進行編程的基本能力。本書可以作為各大院校人工智能相關專業的教材,也可以作為培訓機構的教材,還適合作為人工智能技術愛好者自學用書。

作者簡介

肖睿,課工場創始人,北京大學教育學博士,北京大學軟件學院特約講師,北京大學學習科學實驗室特約顧問。
作為北大青鳥 Aptech 的聯合創始人,歷任學術總監、研究院院長、公司副總裁等核心崗位,擁有20多年的IT職業教育產品管理和企業管理經驗。
於2015年創辦課工場,兼任總經理,旨在為大學生提供更可靠的 IT 就業教育及服務。

目錄大綱

第 1章 推薦系統簡介. . . 1
技能目標. . . 1
本章任務. . . 1
任務1.1 了解推薦系統的發展歷史 . . . 2
任務1.2 掌握推薦系統的核心要素. . . 4
1.2.1 用戶. . . 4
1.2.2 物品和內容 . . . 4
1.2.3 事件. . . 5
1.2.4 語境. . . 6
任務1.3 掌握推薦系統的基本構成. . . 6
1.3.1 召回模塊 . . . 8
1.3.2 排序模塊. . . 13
1.3.3 過濾模塊. . . 14
任務1.4 了解推薦系統的新發展. . . 15
1.4.1 基於會話的推薦系統. . . 15
1.4.2 強化學習與推薦系統. . . 17
任務1.5 認清推薦系統的發展方向. . . 17
本章小結. . . 18
本章習題. . . 18

第 2章 搭建試驗平台. . . 19
技能目標. . . 19
本章任務. . . 19
任務2.1 安裝和配置Anaconda . . . 20
2.1.1 下載並安裝Anaconda . . . 21
2.1.2 新建環境. . . 22
2.1.3 管理環境. . . 23
2.1.4 添加國內的安裝源 . . . 25
2.1.5 安裝scikit-surprise軟件包. . . 26
2.1.6 安裝其他軟件包 . . . 27
任務2.2 獲取試驗數據集MovieLens. . . 28
2.2.1 下載數據集 . . . 28
2.2.2 檢查文件內容 . . . 29
2.2.3 分析評分數據. . . 31
任務2.3 安裝集成開發環境PyCharm. . . 35
2.3.1 下載PyCharm . . . 35
2.3.2 創建項目Recommender . . . 35
2.3.3 創建測試文件 . . . 37
任務2.4 測試集成開發環境Spyder. . . 38
任務2.5 測試Jupyter Notebook . 40
2.5.1 安裝並啟動Jupyter Notebook . 41
2.5.2 設置根目錄 . 42
2.5.3 Jupyter Notebook基本用法 . . 44
2.5.4 運行測試文件 46
本章小結. 47
本章習題. 48

第3章 推薦系統的評測 . 49
技能目標. 49
本章任務. 49
任務3.1 學習用戶成長飛輪模型. 50
任務3.2 掌握推薦系統的評測方法. 51
3.2.1 離線測試. . 51
3.2.2 用戶測試. . 52
3.2.3 線上測試. . 54
任務3.3 掌握推薦系統的評測指標. 55
3.3.1 預測準確率 . 55
3.3.2 覆蓋率. . 61
3.3.3 多樣性. . 62
3.3.4 驚喜度. . 63
3.3.5 新穎度. . 64
3.3.6 實時性. . 65
3.3.7 健壯性. . 65
3.3.8 商業目標. . 66
3.3.9 小結 68
任務3.4 實際評測推薦系統 69
3.4.1 線下測試. . 69
3.4.2 線上測試. . 72 本章小結. 74
本章習題. 74

第4章 基於內容的召回 . 75
技能目標. 75
本章任務. 75
任務4.1 掌握物品特徵抽取的基本方法 . . 76
4.1.1 抽取基本特徵 77
4.1.2 抽取文本特徵 79
4.1.3 抽取圖像特徵 81
任務4.2 掌握相似度的衡量方法. 84
4.2.1 曼哈頓距離 . 85
4.2.2 歐氏距離. . 85
4.2.3 餘弦相似度 . 86
任務4.3 實際開發一款基於內容召回的推薦系統 86
4.3.1 準備電影特徵 87
4.3.2 計算電影間的相似度. 89
4.3.3 預測用戶評分 91
4.3.4 生成頭部推薦 92
任務4.4 掌握橫向評測框架的開發和使用方法 . . 93
4.4.1 自定義預測算法 . . 93
4.4.2 比較控制器 . 95
4.4.3 評測內容召回推薦算法 97
任務4.5 理解基於內容召回的優點和缺點 . 99
4.5.1 內容召回的優點 . . 99
4.5.2 內容召回的缺點 100
本章小結. . 100
本章習題. . 100

第5章 基於協同過濾的召回 . 102
技能目標. . 102
本章任務. . 102
任務5.1 掌握協同過濾的基本思想和主要分類 103
任務5.2 掌握協同過濾中相似性的衡量方法 . 104
5.2.1 行為數據的特點 105
5.2.2 相似性的衡量 . 105
任務5.3 實際開發一款基於用戶的協同過濾推薦系統. . 108
5.3.1 創建用戶評分矩陣 . . 108 5.3.2 創建用戶相似度矩陣. . 108
5.3.3 尋找相似用戶 . 109
5.3.4 根據相似用戶的喜好給出推薦 . . 109
5.3.5 排序並過濾推薦電影列表(基於用戶的協同過濾) . . 110
5.3.6 運行項目. 110
任務5.4 實際開發一款基於物品的協同過濾推薦系統112
5.4.1 創建電影評分矩陣 113
5.4.2 創建電影相似度矩陣114
5.4.3 獲取當前用戶喜好 114
5.4.4 根據用戶喜好給出推薦115
5.4.5 排序並過濾推薦電影列表(基於電影的協同過濾) . . 115
5.4.6 運行項目. 115
任務5.5 實際評測協同過濾與評分預測融合模型. . 118
5.5.1 基於用戶的K最近鄰推薦118
5.5.2 基於物品的K最近鄰推薦118
5.5.3 評測K最近鄰推薦算法119
本章小結. . 120
本章習題. . 121

第6章 基於深度學習的召回 . 122
技能目標. . 122
本章任務. . 122
任務6.1 掌握並實際評測矩陣分解算法 124
任務6.2 掌握並實際評測受限玻爾茲曼機算法 129
任務6.3 掌握並實際評測自動編碼機算法 . . 133
任務6.4 掌握優兔基於深度學習的召回模型 . 136
任務6.5 了解Netflix的推薦模型 139
本章小結. . 141
本章習題. . 141

第7章 經典排序模型142
技能目標. . 142
本章任務. . 142
任務7.1 下載並探索一個排序用數據集 143
任務7.2 掌握並實際評測邏輯回歸排序算法 . 146
7.2.1 邏輯回歸的基本原理. . 146
7.2.2 邏輯回歸示例代碼 . . 147
任務7.3 掌握並實際評測梯度提升決策樹和邏輯回歸融合模型 . . 150 7.3.1 梯度提升決策樹的工作原理 150
7.3.2 梯度提升決策樹與邏輯回歸融合模型 152
7.3.3 梯度提升決策樹和邏輯回歸融合模型的示例代碼. . 153
任務7.4 掌握並實際評測貝葉斯個性化排序算法. 156
7.4.1 貝葉斯法則 . . 157
7.4.2 貝葉斯個性化排序算法原理 162
7.4.3 貝葉斯個性化排序示例代碼 163
本章小結. . 170
本章習題. . 170

第8章 基於深度學習的排序 . 171
技能目標. . 171
本章任務. . 171
任務8.1 掌握因子分解機的基本原理. 172
任務8.2 掌握廣度和深度融合模型的基本原理 177
任務8.3 掌握優兔深度學習排序模型的基本原理. 185
本章小結. . 187
本章習題. . 188

第9章 基於會話的推薦 . . 189
技能目標. . 189
本章任務. . 189
任務9.1 了解基於會話的推薦系統的發展歷史 190
任務9.2 掌握循環神經網絡在推薦系統中的應用. 192
9.2.1 基於門控循環單元的推薦系統 . . 193
9.2.2 多會話迷你批處理 . . 194
9.2.3 批處理中的負採樣 . . 194
9.2.4 排序損失函數的選擇. . 195
9.2.5 實驗過程 195
任務9.3 學習將語境信息融入循環神經網絡推薦系統. . 196
9.3.1 語境的重要性 . 197
9.3.2 語境的融入方法 198
9.3.3 融合語境的循環神經網絡模型 . . 199
9.3.4 實驗過程 202
本章小結. . 203
本章習題. . 204

第 10章 基於強化學習的推薦 . . 205
技能目標. . 205 本章任務. . 205
任務10.1 了解在推薦系統中應用強化學習的背景. . 206
任務10.2 了解強化學習的技術基礎 207
10.2.1 情境描述. 207
10.2.2 策略學習. 209
10.2.3 用戶長期參與度 . 210
任務10.3 深入研究“探索與開採並舉”的強化學習推薦系統 210
10.3.1 提升多樣性的強化學習推薦系統 . . 210
10.3.2 試驗過程. 213
10.3.3 試驗結果. 216
本章小結. . 217
本章習題. . 218

第 11章 工業級推薦系統. 219
技能目標. . 219
本章任務. . 219
任務11.1 了解深度規模化稀疏張量網絡引擎 220
任務11.2 掌握DSSTNE深度學習框架的使用方法 221
11.2.1 轉換數據 . 224
11.2.2 訓練階段 . 224
11.2.3 預測階段 . 226
任務11.3 了解工業級推薦系統的架構方法 226
11.3.1 系統架構 . 227
11.3.2 並行化. . 228
11.3.3 結束語. . 229
本章小結. . 229
本章習題. . 230