دانلود کتاب Hands-On Recommendation Systems with Python
49,000 تومان
سیستم های توصیه عملی با پایتون
| موضوع اصلی | کامپیوترها |
|---|---|
| نوع کالا | کتاب الکترونیکی |
| ناشر | Packt Publishing |
| تعداد صفحه | 146 |
| حجم فایل | 2.87 مگابایت |
| کد کتاب | 1788993756 , 9781788993753 |
| نوبت چاپ | 1 |
| نویسنده | Rounak Banik |
|---|---|
| زبان | انگلیسی |
| فرمت | EPUB |
| سال انتشار | 2018 |
جدول کد تخفیف
| تعداد کتاب | درصد تخفیف | قیمت کتاب |
| 1 | بدون تخفیف | 25,000 تومان |
| 2 | 20 درصد | 20,000 تومان |
| 3 الی 5 | 25 درصد | 18,750 تومان |
| 6 الی 10 | 30 درصد | 17,500 تومان |
| 11 الی 20 | 35 درصد | 16,250 تومان |
| 21 الی 30 | 40 درصد | 15,000 تومان |
| 31 الی 40 | 45 درصد | 13,750 تومان |
| 41 الی 50 | 50 درصد | 12,500 تومان |
| 51 الی 70 | 55 درصد | 11,250 تومان |
| 71 الی 100 | 60 درصد | 10,000 تومان |
| 101 الی 150 | 65 درصد | 8,750 تومان |
| 151 الی 200 | 70 درصد | 7,500 تومان |
| 201 الی 300 | 75 درصد | 6,250 تومان |
| 301 الی 500 | 80 درصد | 5,000 تومان |
| 501 الی 1000 | 85 درصد | 3,750 تومان |
| 1001 الی 10000 | 90 درصد | 2,500 تومان |
Only familiarity with Python is required
No need to wade through complicated machine learning theory to use this book
Objectives
Get to grips with the different kinds of recommender systems
Master data-wrangling techniques using the pandas library
Building an IMDB Top 250 Clone
Build a content based engine to recommend movies based on movie metadata
Employ data-mining techniques used in building recommenders
Build industry-standard collaborative filters using powerful algorithms
Building Hybrid Recommenders that incorporate content based and collaborative fltering
About
Recommendation systems are at the heart of almost every internet business today; from Facebook to Netflix to Amazon. Providing good recommendations, whether it’s friends, movies, or groceries, goes a long way in defining user experience and enticing your customers to use your platform.
This book shows you how to do just that. You will learn about the different kinds of recommenders used in the industry and see how to build them from scratch using Python. No need to wade through tons of machine learning theory—you’ll get started with building and learning about recommenders as quickly as possible..
In this book, you will build an IMDB Top 250 clone, a content-based engine that works on movie metadata. You’ll use collaborative filters to make use of customer behavior data, and a Hybrid Recommender that incorporates content based and collaborative filtering techniques
With this book, all you need to get started with building recommendation systems is a familiarity with Python, and by the time you’re fnished, you will have a great grasp of how recommenders work and be in a strong position to apply the techniques that you will learn to your own problem domains.
ترجمه فارسی (ترجمه ماشینی)
سیستم های توصیه کننده استاندارد صنعت را بسازید
فقط آشنایی با پایتون الزامی است
برای استفاده از این کتاب نیازی به گذر از نظریه پیچیده یادگیری ماشین نیست
اهداف
با انواع مختلف سیستم های توصیه گر آشنا شوید
تسلط بر تکنیک های جدال داده ها با استفاده از کتابخانه پانداها
ساخت 250 کلون برتر IMDB
یک موتور مبتنی بر محتوا بسازید تا فیلمهایی را بر اساس فراداده فیلم توصیه کنید
از تکنیک های داده کاوی استفاده شده در ایجاد توصیه کننده استفاده کنید
فیلترهای مشترک استاندارد صنعت را با استفاده از الگوریتم های قدرتمند بسازید
ایجاد توصیهکنندههای ترکیبی که دارای محتوای مبتنی بر محتوا و تلقین مشارکتی هستند
درباره
سیستم های توصیه امروزه در قلب تقریباً هر کسب و کار اینترنتی قرار دارند. از فیس بوک تا نتفلیکس و آمازون. ارائه توصیههای خوب، چه دوستان، چه فیلمها یا خواربارفروشیها، در تعریف تجربه کاربری و ترغیب مشتریان شما به استفاده از پلتفرم شما بسیار مفید است.
این کتاب به شما نشان می دهد که چگونه این کار را انجام دهید. با انواع مختلف توصیهکنندههای مورد استفاده در صنعت آشنا میشوید و نحوه ساخت آنها را از ابتدا با استفاده از پایتون خواهید دید. نیازی نیست تئوری های یادگیری ماشین را دنبال کنید—شما در اسرع وقت با ایجاد و یادگیری درباره توصیه کنندگان شروع خواهید کرد..
در این کتاب، شما یک کلون IMDB Top 250، یک موتور مبتنی بر محتوا که بر روی ابرداده فیلم کار می کند، خواهید ساخت. از فیلترهای مشارکتی برای استفاده از داده های رفتار مشتری و یک توصیه گر ترکیبی که تکنیک های فیلتر مبتنی بر محتوا و مشارکتی را در بر می گیرد استفاده خواهید کرد
با استفاده از این کتاب، تنها چیزی که برای شروع کار با ساخت سیستم های توصیه نیاز دارید، آشنایی با پایتون است، و تا پایان کار، درک خوبی از نحوه کار توصیه کنندگان خواهید داشت و در موقعیتی قوی برای به کارگیری تکنیک هایی خواهید بود که شما دامنه های مشکل خود را یاد خواهید گرفت.
برای فرستادن دیدگاه، باید وارد شده باشید.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.