推荐系统算法实践中文版怎么样?
《推荐系统算法实践》主要讲解推荐系统中的召回算法和排序算法，以及各个算法在主流工具Sklearn、Spark、TensorFlow等中的实现和应用。
《推荐系统算法实践》中本着循序渐进的原则进行讲解。首先，介绍推荐系统中推荐算法的数学基础，推荐算法的平台、工具基础，以及具体的推荐系统。其次，讲解推荐系统中的召回算法，主要包括基于行为相似的协同过滤召回和基于内容相似的Word2vec召回，并且介绍其在Spark、TensorFlow主流工具中的实现与应用。再次，讲解推荐系统中的排序算法，包括线性模型、树模型和深度学习模型，分别介绍逻辑回归、FM、决策树、随机森林、GBDT、GBDT+LR、集成学习、深度森林、DNN、Wide & Deep、DeepFM、YouTube推荐等模型的原理，以及其在Sklearn、Spark、TensorFlow主流工具中的实现与应用。最后，介绍推荐算法的4个实践案例，帮助读者进行工程实践和应用，并且介绍如何在Notebook上进行代码开发和算法调试，以帮助读者提升工作效率。
《推荐系统算法实践》适合AI、数据挖掘、大数据等领域的从业人员阅读，书中为开发者展现了推荐算法的原理、实现与应用案例。
作者简介:
黄美灵 现任一线互联网公司的高级工程师，拥有多年大型互联网公司推荐系统和机器学习实战经验，现从事广告推荐、应用分发和资讯Feeds流推荐相关工作。
目录:
第1章 数学基础 2
第2章 推荐系统介绍 17
第3章 推荐算法工具 26
第4章 协同过滤——基于行为相似的召回 40
第5章 Word2vec——基于内容相似的召回 65
第6章 逻辑回归 86
第7章 因子分解机（FM） 115
第8章 决策树 130
第9章 集成学习 155
第10章 深度学习在推荐算法中的应用 178
第11章 DNN算法 189
第12章 Wide & Deep模型 206
第13章 DeepFM模型 225
第14章 YouTube的深度神经网络模型 243
第15章 实践——基于电商平台的商品召回 260
第16章 实践——基于逻辑回归的音乐评分预测 266
第17章 实践——Kaggle竞赛之Outbrain点击率预估 275
第18章 实践——基于深度学习的电商商品点击率预估 297
第19章 Notebook实践 312
点击下载