Hands-On Recommendation Systems with Python

Olvasói vélemények

Az ajánlórendszerekről szóló könyv vegyes kritikákat kapott, sokan dicsérik a kezdők számára való hozzáférhetőségét és a gyakorlati kódolási példákat, míg mások kritizálják a szervezést, a mélységet és néhány technikai szempontot.

A könyv könnyen érthető, módszertanilag felépített, és gyakorlati kódolási példákat, valamint valós forgatókönyveket tartalmaz. Hasznos a kezdők számára, és hasznos forrásokat, például videókat és kódletöltési linkeket tartalmaz. Sok véleményező értékeli a tömör magyarázatokat és a kódok elérhetőségét a GitHubon.

A kritikusok megjegyzik a szervezettség hiányát, a fejezeteket összefüggéstelennek érzik. Egyesek úgy vélik, hogy a könyv nem elég mély, különösen az olyan haladó témákban, mint a mátrixfaktorizáció és a mélytanulás. A könyvben található hivatkozások a beszámolók szerint megszakadtak, és a kód általános minőségét alapszintűnek tartják. Lehet, hogy nem alkalmas azok számára, akiknek van előzetes tapasztalatuk az adattudományban.

(11 olvasói vélemény alapján)

Könyv tartalma:

A Hands-On Recommendation Systems with Python segítségével megtanulhatja a különböző típusú (kollaboratív, tudás- és tartalomalapú) hatékony ajánlórendszerek létrehozásához és webes bevezetéséhez szükséges eszközöket és technikákat Az ajánlórendszerek ma már szinte minden internetes vállalkozás középpontjában állnak, a Facebooktól a Netflixen át az Amazonig. A jó ajánlások nyújtása - legyen szó barátokról, filmekről vagy élelmiszerről - nagyban hozzájárul a felhasználói élmény meghatározásához és ahhoz, hogy a vásárlóit az Ön platformjának használatára csábítsa.

Ez a könyv megmutatja, hogyan teheti pontosan ezt. Megismerheti az iparágban használt különböző típusú ajánlóprogramokat, és megtudhatja, hogyan építheti meg őket a semmiből Python segítségével. Nem kell tonnányi gépi tanulási elméleten átgázolnia - a lehető leggyorsabban elkezdheti az ajánlók építését és megismerését...

Ebben a könyvben egy IMDB Top 250 klónt fog építeni, egy tartalomalapú motort, amely filmek metaadatain dolgozik. Kollaboratív szűrőket fog használni a vásárlói viselkedési adatok felhasználására, valamint egy hibrid ajánlót, amely tartalomalapú és kollaboratív szűrési technikákat foglal magába Ezzel a könyvvel mindössze a Python nyelv ismeretére lesz szüksége ahhoz, hogy elkezdhesse az ajánlórendszerek építését, és mire befejezi, már jól fogja érteni, hogyan működnek az ajánlók, és jó helyzetben lesz ahhoz, hogy a megtanult technikákat saját problématerületein alkalmazza.

Ha Python-fejlesztő vagy, és szeretnél alkalmazásokat fejleszteni közösségi hálózatokhoz, hírek személyre szabásához vagy intelligens reklámokhoz, akkor ez a könyv neked való. A gépi tanulási technikák alapszintű ismerete hasznos, de nem kötelező.