توضیحات
Building a simple but powerful recommendation system is much easier than you think. Approachable for all levels of expertise, this report explains innovations that make machine learning practical for business production settingsand demonstrates how even a small-scale development team can design an effective large-scale recommendation system.
Apache Mahout committers Ted Dunning and Ellen Friedman walk you through a design that relies on careful simplification. Youll learn how to collect the right data, analyze it with an algorithm from the Mahout library, and then easily deploy the recommender using search technology, such as Apache Solr or Elasticsearch. Powerful and effective, this efficient combination does learning offline and delivers rapid response recommendations in real time.
- Understand the tradeoffs between simple and complex recommenders
- Collect user data that tracks user actionsrather than their ratings
- Predict what a user wants based on behavior by others, using Mahoutfor co-occurrence analysis
- Use search technology to offer recommendations in real time, complete with item metadata
- Watch the recommender in action with a music service example
- Improve your recommender with dithering, multimodal recommendation, and other techniques
————————————————————–
ترجمه ماشینی :
ساخت یک سیستم توصیه ساده اما قدرتمند بسیار ساده تر از آن چیزی است که فکر می کنید. این گزارش که برای همه سطوح تخصص قابل دسترس است، نوآوری هایی را توضیح می دهد که یادگیری ماشینی را برای تنظیمات تولید تجاری کاربردی می کند و نشان می دهد که چگونه حتی یک تیم توسعه در مقیاس کوچک می تواند یک سیستم توصیه در مقیاس بزرگ موثر طراحی کند.
تد دانینگ و الن فریدمن متعهدهای آپاچی ماهوت شما را در طرحی راهنمایی میکنند که بر سادهسازی دقیق متکی است. شما یاد خواهید گرفت که چگونه داده های مناسب را جمع آوری کنید، آن ها را با الگوریتمی از کتابخانه Mahout تجزیه و تحلیل کنید، و سپس به راحتی با استفاده از فناوری جستجو، مانند Apache Solr یا Elasticsearch، توصیه کننده را مستقر کنید. قدرتمند و موثر، این ترکیب کارآمد، یادگیری آفلاین را انجام می دهد و توصیه های پاسخ سریع را در زمان واقعی ارائه می دهد.
- تفاوت بین توصیه کنندگان ساده و پیچیده را درک کنید
- جمع آوری داده های کاربر که اقدامات کاربر را به جای رتبه بندی آنها ردیابی می کند
- پیش بینی آنچه یک کاربر بر اساس رفتار دیگران میخواهد، با استفاده از تجزیه و تحلیل هموضعیت Mahoutfor
- استفاده از فناوری جستجو برای ارائه توصیهها در زمان واقعی، همراه با مورد فراداده
- مشاهده عملکرد توصیهکننده با نمونه سرویس موسیقی
- توصیهدهنده خود را با روشهای پراکنده، توصیههای چندوجهی و سایر تکنیکها بهبود دهید
tag : دانلود کتاب یادگیری ماشین عملی: نوآوری در توصیه , Download یادگیری ماشین عملی: نوآوری در توصیه , دانلود یادگیری ماشین عملی: نوآوری در توصیه , Download Practical Machine Learning: Innovations in Recommendation Book , یادگیری ماشین عملی: نوآوری در توصیه دانلود , buy یادگیری ماشین عملی: نوآوری در توصیه , خرید کتاب یادگیری ماشین عملی: نوآوری در توصیه , دانلود کتاب Practical Machine Learning: Innovations in Recommendation , کتاب Practical Machine Learning: Innovations in Recommendation , دانلود Practical Machine Learning: Innovations in Recommendation , خرید Practical Machine Learning: Innovations in Recommendation , خرید کتاب Practical Machine Learning: Innovations in Recommendation ,
نقد و بررسیها
هنوز بررسیای ثبت نشده است.