親手開發推薦系統 - PyTorch 全方位實作最重要演算法 (好評熱銷版)
於方仁 編著
買這商品的人也買了...
-
數位訊號處理 (Mitra: Digital Signal Processing: A Computer-Based Approach, 3/e)$760$744 -
最親切的 Google Analytics 入門教室$580$493 -
大數據時代超吸睛視覺化工具與技術：Tableau 資料分析師進階高手養成實戰經典$600$468 -
AutoML 自動化機器學習：用 AutoKeras 超輕鬆打造高效能 AI 模型 (Automated Machine Learning with AutoKeras: Deep learning made accessible for everyone with just few lines of coding)$690$545 -
Python 幫幫忙！用程式思維解決現實世界問題 (Real-World Python: A Hacker's Guide to Solving Problems with Code)$630$535 -
跟 NVIDIA 學深度學習！從基本神經網路到 ......、GPT、BERT...，紮穩機器視覺與大型語言模型 (LLM) 的建模基礎$880$748 -
Microsoft Azure AI Services 與 Azure OpenAI 從入門到人工智慧程式開發 -- 使用 Python (含MCF AI-900國際認證)$560$442 -
統計分析入門與應用｜SPSS 中文版 + SmartPLS 4 (CB-SEM + PLS-SEM), 5/e$920$726 -
深度學習詳解｜台大李宏毅老師機器學習課程精粹$750$563 -
Ollama 本地 AI 全方位攻略：命令列功能、五大主題測試、RAG、Vibe Coding、MCP，一本搞定所有實戰應用$750$592 -
超圖解 Python 程式設計 -- 從入門、網頁應用、YOLO 到生成式 AI 實作$799$631 -
手把手帶你實作完整機器學習專案$760$600 -
現代 AI 是這麼做出來的 - 從訓練、演算法到微調全實作$880$695 -
LLM × 網路爬蟲終極實戰：n8n 串接資料爬取 × Qdrant × RAG 打造本機 AI Agent$980$774 -
程式人的第一本 Python 量化投資筆記：Colab 即時演練 × Backtrader 策略設計到績效評估全流程（iThome鐵人賽系列書）$600$450 -
綠色軟體開發｜永續軟體開發與營運的方法 (Building Green Software: A Sustainable Approach to Software Development and Operations)$580$458 -
命運演算法：八字 × AI 的人生使用說明書$620$489 -
演算法訓練營｜入門篇$590$466 -
Sutskever 大神推薦 - 建構 AI 世界最重要的 30篇論文 : 用 PyTorch 完整實作$1,080$853 -
玩爆你的龍蝦 — 最強 OpenClaw 安裝設定應用實機演練$880$695 -
AI 機器人｜從感知到行動的下一步 (AI for Robotics: Toward Embodied and General Intelligence in the Physical World)$800$632 -
用 Python 學 AI 理論與程式實作, 2/e (涵蓋 Certiport ITS AI 國際認證模擬試題)$600$474 -
Vibe Unity | AI 遊戲開發工作流：打破極限，創造一款具有無限可能性的遊戲！（iThome鐵人賽系列書）$680$530 -
Claude 萬用手冊：Claude.ai | Desktop | Cowork | Code Mode | Design | Computer Use | Skills | Connectors | Plugins$695$521 -
從 App 評論到商業洞察 - 零基礎打造 AI 評論洞察系統：從資料採集到雲端部署$680$537
相關主題
商品描述
☆★好評熱銷再上市★☆
本書利用PyTorch、神經網路、圖論、機器學習，知識圖譜等最新技術，做出最棒的推薦系統。
第1、2章幫大家建立基礎，第3章從第2章推導，入門推薦演算法及推導能力。第4章介紹熱門的圖神經網路在推薦演算法中的應用。第5章深入知識圖譜推薦演算法，專業度高且實用性強，掌握前4章知識的讀者容易學習。第6到8章介紹整個推薦系統、商業和推薦工程。建議在第3章後隨時閱讀，特別是第7章系統介紹推薦系統評估指標。可在範例程式基礎上改進並利用第7章指標實際評估推薦系統效果。
【本書看點】
✪ 無痛學習推薦演算法
✪ 結合深度學習的發展，可推導出進階推薦演算法
✪ 結合圖神經網路進一步推導出推薦演算法
✪ 了解圖神經網路且應用於推薦演算法
✪ 了解整個推薦系統的詳細結構及基本做法
✪ 了解推薦工程整體的生命週期
✪ 3個重要演算法：近鄰協作過濾、ALS、FM
【適合讀者】
☛ 從事推薦系統相關工作的工程師。
☛ 對推薦系統有興趣的讀者。
☛ 也可作為大專院校、研究機構的學習參考書
作者簡介
於方仁
推薦演算法、圖神經網路、知識圖譜等領域專家。在推薦系統領域從業多年，現任蘇州中貿大資料CTO。善於在實戰中總結經驗，授課幽默風趣，樂於分享知識。
目錄大綱
第1章 推薦系統的初步了解
1.1 什麼是推薦系統
1.2 推薦系統的由來
1.3 推薦系統的概況
1.4 推薦演算法的概況
第2章 基礎推薦演算法
2.1 協作過濾
2.2 基礎近鄰指標
2.3 基於近鄰的協作過濾演算法
2.4 推薦模型評估：入門篇
2.5 進階近鄰指標
2.6 矩陣分解協作過濾演算法
2.7 邏輯回歸出發的推薦演算法
2.8 本章複習
第3章 進階推薦演算法
3.1 神經網路推薦演算法推導範式
3.2 FM在深度學習中的應用
3.3 序列推薦演算法
3.4 Transformer在推薦演算法中的應用
3.5 本章複習
第4章 圖神經網路與推薦演算法（2）
4.1 圖論基礎
4.2 基於圖的基礎推薦方式
4.3 圖神經網路
4.4 基於圖神經網路的推薦
4.5 本章複習
第5章 知識圖譜與推薦演算法
5.1 知識圖譜基礎
5.2 Knowledge Graph Embedding知識圖譜嵌入
5.3 基於知識圖譜嵌入的推薦演算法
5.4 基於知識圖譜路徑的推薦演算法
5.5 知識圖譜嵌入結合圖路徑的推薦RippLeNet
5.6 圖神經網路與知識圖譜
5.7 本章複習
第6章 推薦系統的構造
6.1 推薦系統結構
6.2 預測服務部分
6.3 LSH-Embedding匹配的加速演算法
6.4 模型訓練部分
6.5 資料處理部分
6.6 冷開機
7.1 基礎機器學習模型評測指標
7.2 TopK推薦評測指標
7.3 業務性評測指標
7.4 線上對比測試
第8章 推薦工程的生命週期
8.1 了解資料與推薦目的
8.2 初期的特徵篩選
8.3 推薦系統結構設計
8.4 模型研發
8.5 架設推薦系統
8.6 最佳化推薦系統
