机器学习实战

图书标准信息

• 作者 肖睿、向成洪、徐圣林、于伦、王兰 著
• 出版社 人民邮电出版社
• 出版时间 2021-08
• 版次 1
• ISBN 9787115563200
• 定价 59.80元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 230页

【内容简介】

全书从推荐系统的发展历史、基本构成开始，依次剖析推荐系统的内容召回、协同过滤召回、深度学习召回中具有代表性的模型；再从经典排序模型到基于深度学习的排序，顺势介绍会话推荐、强化学习推荐及工业级推荐，搭建了完整的推荐系统技术体系，这是一个由浅入深的系统学习过程。

 本书的目标读者应该对深度学习有基本的了解，掌握概率论、线性代数、微积分等学科的基本知识，具备使用Python语言进行编程的基本能力。本书可以作为各大院校人工智能相关专业的教材，也可以作为培训机构的教材，还适合作为人工智能技术爱好者自学用书。

【作者简介】

肖睿，课工场创始人，北京大学教育学博士，北京大学软件学院特约讲师，北京大学学习科学实验室特约顾问。作为北大青鸟 Aptech 的联合创始人，历任学术总监、研究院院长、公司副总裁等核心岗位，拥有20多年的IT职业教育产品管理和企业管理经验。于2015年创办课工场，兼任总经理，旨在为大学生提供更可靠的 IT 就业教育及服务。

【目录】

第 1章 推荐系统简介．．．1 

技能目标．．． 1

本章任务．．． 1

任务1．1 了解推荐系统的发展历史 ．．．2

任务1．2 掌握推荐系统的核心要素．．． 4

1．2．1 用户．．． 4

1．2．2 物品和内容 ．．． 4

1．2．3 事件．． ．5

1．2．4 语境．．． 6

任务1．3 掌握推荐系统的基本构成．．． 6

1．3．1 召回模块 ．．．8

1．3．2 排序模块．．． 13

1．3．3 过滤模块．．． 14

任务1．4 了解推荐系统的新发展．．． 15

1．4．1 基于会话的推荐系统．．． 15

1．4．2 强化学习与推荐系统．．． 17

任务1．5 认清推荐系统的发展方向．．． 17

本章小结．．． 18

本章习题．．．18

第 2章 搭建试验平台．．．19

技能目标．．． 19

本章任务．．． 19

任务2．1 安装和配置Anaconda ．．． 20

2．1．1 下载并安装Anaconda ．．． 21

2．1．2 新建环境．．． 22

2．1．3 管理环境．．． 23

2．1．4 添加国内的安装源 ．．． 25

2．1．5 安装scikit-surprise软件包．．． 26

2．1．6 安装其他软件包 ．．． 27

任务2．2 获取试验数据集MovieLens．．． 28

2．2．1 下载数据集 ．．． 28

2．2．2 检查文件内容 ．．． 29

2．2．3 分析评分数据．．．31

任务2．3 安装集成开发环境PyCharm．．． 35

2．3．1 下载PyCharm ．．． 35

2．3．2 创建项目Recommender ．．． 35

2．3．3 创建测试文件 ．．．37

任务2．4 测试集成开发环境Spyder．．． 38

任务2．5 测试Jupyter Notebook ． 40

2．5．1 安装并启动Jupyter Notebook ． 41

2．5．2 设置根目录 ． 42

2．5．3 Jupyter Notebook基本用法 ．． 44

2．5．4 运行测试文件 46

本章小结． 47

本章习题． 48

第3章 推荐系统的评测 ．49

技能目标． 49

本章任务． 49

任务3．1 学习用户成长飞轮模型． 50

任务3．2 掌握推荐系统的评测方法． 51

3．2．1 离线测试．． 51

3．2．2 用户测试．． 52

3．2．3 线上测试．． 54

任务3．3 掌握推荐系统的评测指标． 55

3．3．1 预测准确率 ． 55

3．3．2 覆盖率．． 61

3．3．3 多样性．． 62

3．3．4 惊喜度．． 63

3．3．5 新颖度．． 64

3．3．6 实时性．． 65

3．3．7 健壮性．． 65

3．3．8 商业目标．． 66

3．3．9 小结 68

任务3．4 实际评测推荐系统 69

3．4．1 线下测试．． 69

3．4．2 线上测试．． 72 本章小结． 74

本章习题． 74

第4章 基于内容的召回 ．75

技能目标． 75

本章任务． 75

任务4．1 掌握物品特征抽取的基本方法 ．． 76

4．1．1 抽取基本特征 77

4．1．2 抽取文本特征 79

4．1．3 抽取图像特征 81

任务4．2 掌握相似度的衡量方法． 84

4．2．1 曼哈顿距离 ． 85

4．2．2 欧氏距离．． 85

4．2．3 余弦相似度 ． 86

任务4．3 实际开发一款基于内容召回的推荐系统 86

4．3．1 准备电影特征 87

4．3．2 计算电影间的相似度． 89

4．3．3 预测用户评分 91

4．3．4 生成头部推荐 92

任务4．4 掌握横向评测框架的开发和使用方法 ．． 93

4．4．1 自定义预测算法 ．． 93

4．4．2 比较控制器 ． 95

4．4．3 评测内容召回推荐算法 97

任务4．5 理解基于内容召回的优点和缺点 ． 99

4．5．1 内容召回的优点 ．． 99

4．5．2 内容召回的缺点 100

本章小结．． 100

本章习题．． 100

第5章 基于协同过滤的召回 ．102

技能目标．． 102

本章任务．． 102

任务5．1 掌握协同过滤的基本思想和主要分类 103

任务5．2 掌握协同过滤中相似性的衡量方法 ． 104

5．2．1 行为数据的特点 105

5．2．2 相似性的衡量 ． 105

任务5．3 实际开发一款基于用户的协同过滤推荐系统．． 108

5．3．1 创建用户评分矩阵 ．． 108 5．3．2 创建用户相似度矩阵．． 108

5．3．3 寻找相似用户 ． 109

5．3．4 根据相似用户的喜好给出推荐 ．． 109

5．3．5 排序并过滤推荐电影列表（基于用户的协同过滤） ．．110

5．3．6 运行项目．110

任务5．4 实际开发一款基于物品的协同过滤推荐系统112

5．4．1 创建电影评分矩阵 113

5．4．2 创建电影相似度矩阵114

5．4．3 获取当前用户喜好 114

5．4．4 根据用户喜好给出推荐115

5．4．5 排序并过滤推荐电影列表（基于电影的协同过滤） ．．115

5．4．6 运行项目．115

任务5．5 实际评测协同过滤与评分预测融合模型．．118

5．5．1 基于用户的K最近邻推荐118

5．5．2 基于物品的K最近邻推荐118

5．5．3 评测K最近邻推荐算法119

本章小结．． 120

本章习题．． 121

第6章 基于深度学习的召回 ．122

技能目标．． 122

本章任务．． 122

任务6．1 掌握并实际评测矩阵分解算法 124

任务6．2 掌握并实际评测受限玻尔兹曼机算法 129

任务6．3 掌握并实际评测自动编码机算法 ．． 133

任务6．4 掌握优兔基于深度学习的召回模型 ． 136

任务6．5 了解Netflix的推荐模型 139

本章小结．． 141

本章习题．． 141

第7章 经典排序模型142

技能目标．． 142

本章任务．． 142

任务7．1 下载并探索一个排序用数据集 143

任务7．2 掌握并实际评测逻辑回归排序算法 ． 146

7．2．1 逻辑回归的基本原理．． 146

7．2．2 逻辑回归示例代码 ．． 147

任务7．3 掌握并实际评测梯度提升决策树和逻辑回归融合模型 ．． 150 7．3．1 梯度提升决策树的工作原理 150

7．3．2 梯度提升决策树与逻辑回归融合模型 152

7．3．3 梯度提升决策树和逻辑回归融合模型的示例代码．． 153

任务7．4 掌握并实际评测贝叶斯个性化排序算法． 156

7．4．1 贝叶斯法则 ．． 157

7．4．2 贝叶斯个性化排序算法原理 162

7．4．3 贝叶斯个性化排序示例代码 163

本章小结．． 170

本章习题．． 170

第8章 基于深度学习的排序 ．171

技能目标．． 171

本章任务．． 171

任务8．1 掌握因子分解机的基本原理． 172

任务8．2 掌握广度和深度融合模型的基本原理 177

任务8．3 掌握优兔深度学习排序模型的基本原理． 185

本章小结．． 187

本章习题．． 188

第9章 基于会话的推荐 ．．189

技能目标．． 189

本章任务．． 189

任务9．1 了解基于会话的推荐系统的发展历史 190

任务9．2 掌握循环神经网络在推荐系统中的应用． 192

9．2．1 基于门控循环单元的推荐系统 ．． 193

9．2．2 多会话迷你批处理 ．． 194

9．2．3 批处理中的负采样 ．． 194

9．2．4 排序损失函数的选择．． 195

9．2．5 实验过程 195

任务9．3 学习将语境信息融入循环神经网络推荐系统．． 196

9．3．1 语境的重要性 ． 197

9．3．2 语境的融入方法 198

9．3．3 融合语境的循环神经网络模型 ．． 199

9．3．4 实验过程 202

本章小结．． 203

本章习题．． 204

第 10章 基于强化学习的推荐 ．．205

技能目标．． 205 本章任务．． 205

任务10．1 了解在推荐系统中应用强化学习的背景．． 206

任务10．2 了解强化学习的技术基础 207

10．2．1 情境描述． 207

10．2．2 策略学习． 209

10．2．3 用户长期参与度 ． 210

任务10．3 深入研究“探索与开采并举”的强化学习推荐系统 210

10．3．1 提升多样性的强化学习推荐系统 ．． 210

10．3．2 试验过程． 213

10．3．3 试验结果． 216

本章小结．． 217

本章习题．． 218

第 11章 工业级推荐系统．219

技能目标．． 219

本章任务．． 219

任务11．1 了解深度规模化稀疏张量网络引擎 220

任务11．2 掌握DSSTNE深度学习框架的使用方法 221

11．2．1 转换数据 ． 224

11．2．2 训练阶段 ． 224

11．2．3 预测阶段 ． 226

任务11．3 了解工业级推荐系统的架构方法 226

11．3．1 系统架构 ． 227

11．3．2 并行化．． 228

11．3．3 结束语．． 229

本章小结．． 229

本章习题．． 230