個性化機器學習 - 城邦阅读花园






	購買中國簡體書籍請注意： 1. 因裝幀品質及貨運條件未臻完善，中國簡體書可能有出現磨痕、凹痕、折痕等問題，故簡體字館除封面破損、內頁脫落、缺頁等較嚴重的狀態外，其餘所有商品將正常出貨。


	目錄譯者序前言常用數學符號常用縮寫第1章　引言1 1.1　本書寫作目的1 1.2　對於學習者：涵蓋的內容和未涵蓋的內容2 1.3　對於講師：課程和內容大綱3 1.4　線上資源4 1.5　關於作者5 1.6　日常生活中的個性化5 1.6.1　推薦5 1.6.2　個性化健康6 1.6.3　計算社會科學6 1.6.4　語言生成、個性化對話和互動式代理7 1.7　個性化技術7 1.7.1　作為流形的用戶表示7 1.7.2　上下文個性化和基於模型的個性化8 1.8　個性化的倫理和影響8 第一部分　機器學習入門第2章　回歸和特徵工程12 2.1　線性回歸13 2.2　評估回歸模型16 2.2.1　均方誤差16 2.2.2　為什麼是均方誤差17 2.2.3　模型參數的極大似然估計18 2.2.4　決定系數R219 2.2.5　如果誤差不是正態分佈該怎麼辦20 2.3　特徵工程21 2.3.1　簡單特徵變換21 2.3.2　二元特徵和分類特徵：獨熱編碼22 2.3.3　缺失特徵24 2.3.4　時序特徵25 2.3.5　輸出變數的轉換26 2.4　解釋線性模型參數27 2.5　梯度下降擬合模型28 2.6　非線性回歸29 習題30 項目1：計程車小費預測（第1部分）31 第3章　分類和學習流程32 3.1　對數幾率回歸32 3.1.1　擬合對數幾率回歸器34 3.1.2　小結34 3.2　其他分類技術34 3.3　評估分類模型35 3.3.1　分類的平衡度量36 3.3.2　優化平衡錯誤率37 3.3.3　使用和評估用於排名的分類器38 3.4　學習流程41 3.4.1　泛化、過擬合和欠擬合41 3.4.2　模型複雜度和正則化43 3.4.3　模型流程準則46 3.4.4　使用TensorFlow的回歸和分類47 3.5　實現學習流程48 習題51 項目2：計程車小費預測（第2部分）52 第二部分　個性化機器學習的　基礎知識第4章　推薦系統簡介54 4.1　基本設置和問題定義54 4.2　交互數據的表示56 4.3　基於記憶的推薦方法57 4.3.1　定義相似度函數57 4.3.2　傑卡德相似度58 4.3.3　余弦相似度60 4.3.4　皮爾遜相似度62 4.3.5　使用相似度測量方法進行評分預測64 4.4　隨機遊走方法65 4.5　案例研究：Amazon.com的推薦67 習題68 項目3：針對書籍的推薦系統（第1部分）69 第5章　基於模型的推薦方法70 5.1　矩陣分解71 5.1.1　擬合潛在因數模型73 5.1.2　用戶特徵或物品特徵發生了什麼變化75 5.2　隱式回饋和排序模型76 5.2.1　樣本重加權方案76 5.2.2　貝葉斯個性化排序77 5.3　基於“無用戶”模型的方法79 5.3.1　稀疏線性方法80 5.3.2　分解的物品相似度模型81 5.3.3　其他無用戶方法81 5.4　評估推薦系統82 5.4.1　精確率@K和召回率@K83 5.4.2　平均倒數排名83 5.4.3　累積增益和NDCG84 5.4.4　模型準確率之外的評估指標84 5.5　用於推薦的深度學習84 5.5.1　為什麼是內積84 5.5.2　基於多層感知機的推薦85 5.5.3　基於自編碼器的推薦87 5.5.4　卷積和迴圈網路88 5.5.5　基於深度學習的推薦器能多有效88 5.6　檢索89 5.7　線上更新90 5.8　Python中帶有Surprise庫和Implicit庫的推薦系統90 5.8.1　潛在因數模型91 5.8.2　貝葉斯個性化排序91 5.8.3　在TensorFlow中實現潛在因數模型92 5.8.4　TensorFlow中的貝葉斯個性化排序92 5.8.5　基於批次處理的高效優化93 5.9　超越推薦的“黑箱”觀點94 5.10　歷史和新興方向94 習題95 項目4：針對書籍的推薦系統（第2部分）96 第6章　推薦系統中的內容和結構97 6.1　分解機98 6.1.1　神經因數分解機99 6.1.2　在Python中使用FastFM的分解機99 6.2　冷開機推薦100 6.2.1　用邊資訊解決冷開機問題101 6.2.2　通過問卷解決冷開機問題101 6.3　多邊推薦102 6.3.1　線上交友102 6.3.2　易貨平臺103 6.4　群體感知推薦和社交感知推薦104 6.4.1　社交感知推薦104 6.4.2　社交貝葉斯個性化排序106 6.4.3　群體感知推薦107 6.4.4　群體貝葉斯個性化排序108 6.5　推薦系統中的價格動態109 6.5.1　分離價格和偏好109 6.5.2　在會話中估計願意支付的價格110 6.5.3　價格敏感性和價格彈性111 6.6　推薦中的其他上下文特徵112 6.6.1　音樂和音訊112 6.6.2　基於位置的網路中的推薦113 6.6.3　時序、文本和視覺特徵114 6.7　線上廣告114 6.7.1　匹配問題115 6.7.2　AdWords115 習題117 項目5：Amazon上的冷開機推薦118 第7章　時序和序列模型119 7.1　時間序列回歸簡介119 7.2　推薦系統中的時序動態121 7.2.1　時序推薦方法122 7.2.2　案例研究：時序推薦和Netflix競賽123 7.2.3　關於時序模型Netflix能教會我們什麼126 7.3　時序動態的其他方法126 7.3.1　意見的長期動態127 7.3.2　短期動態和基於會話的推薦127 7.3.3　用戶層面的時間演變128 7.4　個性化瑪律可夫鏈129 7.5　案例研究：用於推薦的瑪律可夫鏈模型130 7.5.1　分解的個性化瑪律可夫鏈130 7.5.2　社交感知的序列推薦131 7.5.3　基於局部性的序列推薦132 7.5.4　基於平移的推薦133 7.5.5　TensorFlow實現FPMC134 7.6　迴圈網路135 7.7　基於神經網路的序列推薦137 7.7.1　基於迴圈網路的推薦139 7.7.2　注意力機制139 7.7.3　小結140 7.8　案例研究：個性化心率建模141 7.9　個性化時序模型的歷史142 習題142 項目6：商業評論中的時序和序列動態143 第三部分　個性化機器學習的　新興方向第8章　文本個性化模型146 8.1　文本建模基礎：詞袋模型146 8.1.1　情感分析146 8.1.2　N-gram149 8.1.3　詞相關性和文檔相似度151 8.1.4　使用tf-idf進行搜索和檢索153 8.2　分散式詞和物品表示153 8.2.1　item2vec155 8.2.2　使用Gensim實現word2vec和item2vec155 8.3　個性化情感和推薦156 8.4　個性化文本生成158 8.4.1　基於RNN的評論生成160 8.4.2　案例研究：個性化食譜生成161 8.4.3　基於文本的解釋和證明162 8.4.4　對話式推薦163 8.5　案例研究：Google Smart Reply165 習題166 項目7：個性化文檔檢索167 第9章　視覺數據個性化模型168 9.1　個性化圖像搜索和檢索168 9.2　視覺感知推薦和個性化排序169 9.3　案例研究：視覺和時尚相容性171 9.3.1　從共同購買中估計相容性171 9.3.2　在開放場景的圖像中學習相容性173 9.3.3　生成時尚衣櫃174 9.3.4　時尚之外的領域175 9.3.5　可替代和互補產品推薦的其他技術175 9.3.6　在TensorFlow中實現相容模型177 9.4　圖像的個性化生成模型178 習題179 項目8：生成相容的服裝搭配180 第10章　個性化機器學習的影響182 10.1　度量多樣性183 10.2　過濾氣泡、多樣性和極端化184 10.2.1　通過模擬探索多樣性184 10.2.2　實證度量推薦多樣性185 10.2.3　審核極端內容的途徑185 10.3　多樣化技術186 10.3.1　最大邊緣相關186 10.3.2　多樣化推薦的其他重排序方法187 10.3.3　行列式點過程187 10.4　實現一個多樣化推薦器189 10.5　關於推薦和消費多樣性的案例研究191 10.5.1　Spotify上的多樣性191 10.5.2　過濾氣泡和線上新聞消費192 10.6　準確率之外的其他指標194 10.6.1　驚喜度194 10.6.2　意外度195 10.6.3　校準196 10.7　公平性197 10.7.1　多方面公平性198 10.7.2　在TensorFlow中實現公平性目標199 10.8　關於推薦中性別偏置的案例研究200 10.8.1　數據重採樣和流行度偏置200 10.8.2　書籍推薦中的偏置和作者性別201 10.8.3　行銷中的性別偏置201 習題202 項目9：多樣性和公平推薦203 參考文獻204