Practical Recommender Systems, Kim Falk

Терміни відправки книги складають від 3 до 5 робочих днів

Summary Online recommender systems help users find movies, jobs, restaurants-even romance! Там є мистецтво в комбінації статистичних, демографічних, і потрібні терміни до результатів, які будуть усунути їх. Learn to build a recommender system the right way: це може зробити або перевірити ваше застосування! Без технології Recommender systems є everywhere, helping you find everything from movies to jobs, restaurants to hospitals, even romance. Використовуючи біологічні і демографічні дані, ці системи роблять розбіжності про те, які користувачі будуть most interested в особливих випадках, в результаті високої якості, ордеровані, personalized suggestions. Recommender systems є практично необхідними для керування своїм сайтом вміст поточного, useful, і інтерес до своїх глядачів. About the Book Practical Recommender Systems explains how recommender systems work and shows how to create and apply them for your site. Після того, як ви отримаєте принципи, ви можете скористатися з'єднанням користувача даних і видалити індивідуальні коментарі. Ви знайдете, як використати найбільш популярні узагальнення algorithms і докладніше про те, як вони працюють в місцях як Amazon і Netflix. Наприкінці, book covers scaling problems і інші issues you'll encounter as your site grows. What's inside How to collect and understand user behavior Collaborative і content-based filtering Машини розпізнавання algoritms Real-world examples в Python About the Reader Readers необхідні intermediate programming and database skills. Крім автора Kim Falk є experimented data scientist, які робили денний з технікою навчання і 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 recomendations and testing your recommender Content-based filtering Finding hidden genres with matrix factorization Taking the best of all algorithms: implementing hybrid recomenders Ranking and learning to rank Future of recommender systems