91精品国产综合久久四虎久久_国产成人午夜高潮毛片_99er视频精品免费观看_2020亚洲熟女在线观看_日本女优人体写真_国内黄色毛片_年轻的老师中文版在线_丰满女邻居做爰_久久久久久精品成人免费图片

 
使用Python和JAX構(gòu)建推薦系統(tǒng)
使用Python和JAX構(gòu)建推薦系統(tǒng)
Bryan Bischof, Hector Yee 著
余琦, 張錦程, 何婷婷 譯
出版時間：2025年08月
頁數(shù)：362
“對于希望構(gòu)建真實世界系統(tǒng)，而不僅僅是訓(xùn)練模型的從業(yè)者來說，這是一本必讀之作。”
——Jacopo Tagliabue
Bauplan聯(lián)合創(chuàng)始人，RecList和evalRS共同創(chuàng)作者
“從現(xiàn)在起，這本書將成為我書架上該主題的標(biāo)準(zhǔn)參考書?！?br /> ——Will Kurt
AI工程師，《Bayesian Statistics the Fun Way》和《Get Programming with Haskell》作者
實現(xiàn)和設(shè)計向用戶提供建議的系統(tǒng)是當(dāng)前最流行且最重要的機器學(xué)習(xí)應(yīng)用之一。無論是希望客戶在你的在線商店中找到最具吸引力的商品、獲取豐富且有趣的視頻，還是獲取他們需要了解的新聞，推薦系統(tǒng)（RecSys）都能提供解決方案。
在這本實用指南中，本書作者闡述了核心概念，并提供示例，幫助你構(gòu)建適用于任何行業(yè)或規(guī)模的推薦系統(tǒng)。你將學(xué)習(xí)構(gòu)建成功推薦系統(tǒng)所需的數(shù)學(xué)知識、基本理念，以及具體的實現(xiàn)細節(jié)。本書涵蓋推薦系統(tǒng)平臺的核心組件、MLOps相關(guān)工具，以及PySpark、SparkSQL、FastAPI和Weights & Biases中的代碼示例和實用建議。
你將學(xué)習(xí)：
● 構(gòu)建推薦系統(tǒng)所需的數(shù)據(jù)。
● 如何將你的數(shù)據(jù)和業(yè)務(wù)問題框定為推薦系統(tǒng)問題。
● 適用于你的系統(tǒng)的模型評估方法。
● 選擇、實現(xiàn)、訓(xùn)練、測試和部署模型的方法。
● 需要跟蹤的關(guān)鍵指標(biāo)，以確保系統(tǒng)按預(yù)期運行。
● 隨著對用戶、產(chǎn)品和業(yè)務(wù)的深入了解，如何不斷改進你的系統(tǒng)。
  1. 前言
  2. 第一部分 熱身
  3. 第1章 概述
  4. 1.1 推薦系統(tǒng)的核心組件
  5. 1.1.1 收集器
  6. 1.1.2 排序器
  7. 1.1.3 服務(wù)器
  8. 1.2 最簡單的推薦器
  9. 1.2.1 簡單推薦器
  10. 1.2.2 最受歡迎的條目推薦器
  11. 1.3 JAX的簡要介紹
  12. 1.3.1 基礎(chǔ)類型，初始化和不可變性
  13. 1.3.2 索引和切片
  14. 1.3.3 廣播
  15. 1.3.4 隨機數(shù)
  16. 1.3.5 即時編譯
  17. 1.4 總結(jié)
  18. 第2章 用戶–物品項評分與問題構(gòu)建
  19. 2.1 用戶–物品項矩陣
  20. 2.2 用戶–用戶協(xié)同過濾vs物品項–物品項協(xié)同過濾
  21. 2.3 Netflix挑戰(zhàn)
  22. 2.4 隱式評分
  23. 2.5 數(shù)據(jù)收集與用戶日志記錄
  24. 2.5.1 日志記錄的內(nèi)容
  25. 2.5.2 數(shù)據(jù)收集與事件記錄
  26. 2.5.3 漏斗分析
  27. 2.6 業(yè)務(wù)洞察與用戶偏好
  28. 2.7 總結(jié)
  29. 第3章 數(shù)學(xué)基礎(chǔ)
  30. 3.1 齊夫定律與馬太效應(yīng)在推薦系統(tǒng)中的應(yīng)用
  31. 3.2 稀疏性
  32. 3.3 用戶相似性在協(xié)同過濾中的應(yīng)用
  33. 3.3.1 皮爾遜相關(guān)系數(shù)
  34. 3.3.2 基于相似性的評分
  35. 3.4 探索–利用作為推薦系統(tǒng)
  36. 3.4.1 ∈-貪婪算法
  37. 3.4.2 ∈應(yīng)該設(shè)為多少
  38. 3.5 自然語言處理（NLP）與推薦系統(tǒng)的關(guān)系
  39. 3.5.1 向量搜索
  40. 3.5.2 最近鄰搜索
  41. 3.6 總結(jié)
  42. 第4章 推薦系統(tǒng)設(shè)計
  43. 4.1 離線vs在線
  44. 4.2 收集器
  45. 4.2.1 離線收集器
  46. 4.2.2 在線收集器
  47. 4.3 排序器
  48. 4.3.1 離線排序器
  49. 4.3.2 在線排序器
  50. 4.4 服務(wù)器
  51. 4.4.1 離線服務(wù)器
  52. 4.4.2 在線服務(wù)器
  53. 4.5 總結(jié)
  54. 第5章 綜合實踐：基于內(nèi)容的推薦系統(tǒng)
  55. 5.1 版本控制軟件
  56. 5.2 Python構(gòu)建系統(tǒng)
  57. 5.3 隨機物品推薦器
  58. 5.4 獲取STL數(shù)據(jù)集圖像
  59. 5.5 卷積神經(jīng)網(wǎng)絡(luò)定義
  60. 5.6 在JAX、Flax和Optax中訓(xùn)練模型
  61. 5.7 輸入管道
  62. 5.8 總結(jié)
  63. 第二部分 檢索
  64. 第6章 數(shù)據(jù)處理
  65. 6.1 給系統(tǒng)注入數(shù)據(jù)
  66. 6.1.1 PySpark
  67. 6.1.2 例子：使用PySpark構(gòu)建用戶相似度
  68. 6.1.3 DataLoaders
  69. 6.1.4 數(shù)據(jù)庫快照
  70. 6.2 用于學(xué)習(xí)和推理的數(shù)據(jù)結(jié)構(gòu)
  71. 6.2.1 向量搜索
  72. 6.2.2 近似最近鄰（ANN）
  73. 6.2.3 布隆過濾器
  74. 6.2.4 有趣的分支：將布隆過濾器作為推薦系統(tǒng)
  75. 6.2.5 特征庫
  76. 6.3 總結(jié)
  77. 第7章 服務(wù)模型和架構(gòu)
  78. 7.1 推薦系統(tǒng)的架構(gòu)設(shè)計
  79. 7.1.1 物品到用戶的推薦
  80. 7.1.2 基于查詢的推薦
  81. 7.1.3 基于上下文的推薦
  82. 7.1.4 基于序列的推薦
  83. 7.1.5 為什么需要額外特征
  84. 7.2 編碼器架構(gòu)與冷啟動
  85. 7.3 部署
  86. 7.3.1 模型作為API
  87. 7.3.2 啟動模型服務(wù)
  88. 7.3.3 工作流編排
  89. 7.4 警報和監(jiān)控
  90. 7.4.1 模式和先驗
  91. 7.4.2 集成測試
  92. 7.4.3 可觀察性
  93. 7.5 生產(chǎn)環(huán)境中的評估
  94. 7.5.1 慢反饋
  95. 7.5.2 模型指標(biāo)
  96. 7.6 持續(xù)訓(xùn)練和部署
  97. 7.6.1 模型漂移
  98. 7.6.2 部署拓撲
  99. 7.7 評估飛輪
  100. 7.7.1 每日熱啟動
  101. 7.7.2 Lamada架構(gòu)和編排
  102. 7.7.3 日志記錄
  103. 7.7.4 主動學(xué)習(xí)
  104. 7.8 總結(jié)
  105. 第8章 綜合實踐：數(shù)據(jù)處理和計數(shù)推薦器
  106. 8.1 技術(shù)棧
  107. 8.2 數(shù)據(jù)的表現(xiàn)形式
  108. 8.3 大數(shù)據(jù)框架
  109. 8.3.1 集群框架
  110. 8.3.2 PySpark示例
  111. 8.4 GloVE模型定義
  112. 8.4.1 在JAX和Flax中的GloVE模型規(guī)范
  113. 8.4.2 使用Optax進行GloVE模型訓(xùn)練
  114. 8.5 總結(jié)
  115. 第三部分 排序
  116. 第9章 基于特征和基于計數(shù)的推薦
  117. 9.1 雙線性因子模型（指標(biāo)學(xué)習(xí)）
  118. 9.2 基于特征的熱啟動
  119. 9.3 分段模型和混合模型
  120. 9.3.1 基于標(biāo)簽的推薦系統(tǒng)
  121. 9.3.2 混合模型
  122. 9.4 雙線性模型的局限性
  123. 9.5 計算推薦系統(tǒng)數(shù)量
  124. 9.5.1 返回最熱門物品的推薦器（MPIR）
  125. 9.5.2 關(guān)聯(lián)挖掘
  126. 9.5.3 通過共現(xiàn)計算點互信息
  127. 9.5.4 基于共現(xiàn)的相似性度量
  128. 9.5.5 基于相似度的推薦
  129. 9.6 總結(jié)
  130. 第10章 低秩方法
  131. 10.1 潛在空間
  132. 10.2 點積相似度
  133. 10.3 共現(xiàn)模型
  134. 10.4 減少推薦系統(tǒng)排名的問題
  135. 10.4.1 利用ALS優(yōu)化矩陣分解（MF）
  136. 10.4.2 矩陣分解的正則化
  137. 10.4.3 正則化的矩陣因子分解實現(xiàn)
  138. 10.4.4 WSABIE
  139. 10.5 降低維度
  140. 10.5.1 等距嵌入
  141. 10.5.2 非線性局部可度量化的嵌入
  142. 10.5.3 中心核對齊
  143. 10.6 親和力和銷售估計器
  144. 10.7 用于推薦系統(tǒng)評估的傾向性加權(quán)
  145. 10.7.1 傾向
  146. 10.7.2 辛普森悖論與降低混雜因素的影響
  147. 10.8 總結(jié)
  148. 第11章 個性化推薦度量指標(biāo)
  149. 11.1 環(huán)境
  150. 11.1.1 在線與離線
  151. 11.1.2 用戶vs物品度量指標(biāo)
  152. 11.1.3 A/B測試
  153. 11.2 召回率和精確率
  154. 11.2.1 @k
  155. 11.2.2 在k的精準(zhǔn)率
  156. 11.2.3 在k的召回率
  157. 11.2.4 r-精準(zhǔn)率
  158. 11.3 mAP, MMR, NDCG
  159. 11.3.1 mAP
  160. 11.3.2 MRR
  161. 11.3.3 NDCG
  162. 11.3.4 mAP與NDCG的對比
  163. 11.3.5 相關(guān)性系數(shù)
  164. 11.4 用RMSE考慮親和度
  165. 11.5 積分形式的指標(biāo)：AUC和cAUC
  166. 11.5.1 推薦概率與AUC-ROC
  167. 11.5.2 與其他度量指標(biāo)比較
  168. 11.6 BPR
  169. 11.7 總結(jié)
  170. 第12章 排名訓(xùn)練
  171. 12.1 排名在推薦系統(tǒng)中的作用是什么
  172. 12.2 排序?qū)W習(xí)
  173. 12.3 訓(xùn)練一個LTR模型
  174. 12.3.1 用于排名的分類
  175. 12.3.2 用于排名的回歸
  176. 12.3.3 用于排名的分類和回歸
  177. 12.4 加權(quán)近似排名對（WARP）
  178. 12.5 k階統(tǒng)計量
  179. 12.6 最佳匹配25（BM25）
  180. 12.7 多模態(tài)檢索
  181. 12.8 總結(jié)
  182. 第13章 綜合實踐：實驗與排序
  183. 13.1 實驗提示
  184. 13.1.1 保持簡單
  185. 13.1.2 調(diào)試打印語句
  186. 13.1.3 推遲優(yōu)化
  187. 13.1.4 記錄變更
  188. 13.1.5 使用特征工程
  189. 13.1.6 理解模型指標(biāo)與業(yè)務(wù)指標(biāo)的區(qū)別
  190. 13.1.7 快速迭代
  191. 13.2 Spotify百萬播放列表數(shù)據(jù)集
  192. 13.2.1 構(gòu)建URI字典
  193. 13.2.2 構(gòu)建訓(xùn)練數(shù)據(jù)
  194. 13.2.3 讀取輸入
  195. 13.2.4 建模問題
  196. 13.2.5 構(gòu)建損失函數(shù)
  197. 13.3 練習(xí)
  198. 13.4 總結(jié)
  199. 第四部分 服務(wù)
  200. 第14章 業(yè)務(wù)邏輯
  201. 14.1 硬排序
  202. 14.2 學(xué)習(xí)避開項
  203. 14.3 手工調(diào)整權(quán)重
  204. 14.4 庫存健康
  205. 14.5 實現(xiàn)避開項
  206. 14.6 基于模型的避開項
  207. 14.7 總結(jié)
  208. 第15章 推薦系統(tǒng)中的偏見
  209. 15.1 推薦的多樣化
  210. 15.1.1 提高多樣性
  211. 15.1.2 應(yīng)用組合優(yōu)化
  212. 15.2 多目標(biāo)函數(shù)
  213. 15.3 謂詞下推
  214. 15.4 公平性
  215. 15.5 總結(jié)
  216. 第16章 加速結(jié)構(gòu)
  217. 16.1 分片
  218. 16.2 局部敏感哈希（LSH）
  219. 16.3 k-d樹
  220. 16.4 分層k-means
  221. 16.5 更低成本的檢索方法
  222. 16.6 總結(jié)
  223. 第五部分 推薦系統(tǒng)的未來
  224. 第17章 序列推薦系統(tǒng)
  225. 17.1 馬爾可夫鏈
  226. 17.1.1 二階馬爾可夫鏈
  227. 17.1.2 其他馬爾可夫模型
  228. 17.2 RNN和CNN架構(gòu)
  229. 17.3 注意力架構(gòu)
  230. 17.3.1 自注意力序列推薦
  231. 17.3.2 BERT4Rec
  232. 17.3.3 時效性采樣
  233. 17.3.4 合并靜態(tài)與序列數(shù)據(jù)
  234. 17.4 總結(jié)
  235. 第18章 推薦系統(tǒng)的下一步發(fā)展
  236. 18.1 多模態(tài)推薦
  237. 18.2 基于圖的推薦系統(tǒng)
  238. 18.2.1 神經(jīng)消息傳遞
  239. 18.2.2 應(yīng)用
  240. 18.2.3 隨機游走
  241. 18.2.4 元路徑與異構(gòu)性
  242. 18.3 LLM的應(yīng)用
  243. 18.3.1 LLM推薦系統(tǒng)
  244. 18.3.2 LLM訓(xùn)練
  245. 18.3.3 推薦系統(tǒng)的指令調(diào)優(yōu)
  246. 18.3.4 LLM排名器
  247. 18.3.5 推薦系統(tǒng)對AI的幫助
  248. 18.4 總結(jié)
書名：使用Python和JAX構(gòu)建推薦系統(tǒng)
作者：Bryan Bischof, Hector Yee 著
譯者：余琦, 張錦程, 何婷婷 譯
國內(nèi)出版社：中國電力出版社
出版時間：2025年08月
頁數(shù)：362
書號：978-7-5239-0052-9
原版書書名：Building Recommendation Systems in Python and JAX
原版書出版商：O'Reilly Media
Bryan Bischof
 
Bryan Bischof在Hex負責(zé)人工智能相關(guān)的工作，他同時是羅格斯大學(xué)商業(yè)與分析碩士項目的兼職教授，教授數(shù)據(jù)科學(xué)課程。此前，他曾擔(dān)任Weights & Biases的數(shù)據(jù)科學(xué)主管，期間組建了數(shù)據(jù)科學(xué)、機器學(xué)習(xí)和數(shù)據(jù)工程團隊。
 
 
Hector Yee
 
Hector Yee是谷歌的高級軟件工程師，曾參與多個項目，包括圖像搜索領(lǐng)域中的首個基于內(nèi)容的排序系統(tǒng)，以及自動駕駛汽車的感知系統(tǒng)。
 
 
本書封面上的動物是一只歐洲金翅雀（學(xué)名：Carduelis carduelis）。這種雀形目鳥類以其多彩的羽毛而聞名，主要棲息在歐洲、北非、西亞和中亞的開闊森林低地中。多年來，它們被引入到許多其他國家，包括美國、加拿大、墨西哥、秘魯、阿根廷、澳大利亞和新西蘭。特別是在美國，它們在西部五大湖地區(qū)建立了棲息地。
歐洲金翅雀的平均體長約為4.7~5.1英寸（12~13厘米），翼展8.3~9.8英寸
（21~25厘米）；體重約為0.5~0.67盎司。雄性和雌性歐洲金翅雀外觀相似，均具有紅色的臉部、黑白相間的頭部、黑色和黃色的翅膀、白色的腹部和中棕色的上部。不過，仔細觀察下，雄性歐洲金翅雀可以通過臉上較大、較深的紅色斑塊和肩部的黑色羽毛（雌性肩部為棕色羽毛）來區(qū)分。繁殖季節(jié)后，歐洲金翅雀會脫去舊羽毛以迎接新羽毛的生長；新羽毛初生時顏色較淡，但在完全長出后會恢復(fù)原有的艷麗色彩。
在飲食方面，歐洲金翅雀偏愛薊、矢車菊和菊苣的種子；昆蟲主要供給幼鳥食用。這些鳥類還經(jīng)常光顧歐洲和北美的居民花園，被裝有種子的喂鳥器所吸引。由于它們悅耳的鳴叫聲，歐洲金翅雀常被捕捉并在籠中飼養(yǎng)；為了保護歐洲金翅雀，已有野生動物保護嘗試以限制捕鳥和破壞開放空間棲息地的行為。
購買選項
定價：128.00元
書號：978-7-5239-0052-9
出版社：中國電力出版社