戴薇
人物简介：
迪帕克·K. 阿加瓦尔（Deepak K. Agarwal） LinkedIn公司副总裁，领导人工智能/机器学习团队的研发工作。之前曾任Yahoo!研究院研究主管和首席研究员，以及AT&T公司研究员。20多年来，他致力于为Web应用开发、部署机器学习和统计方法，以及解决推荐系统和计算广告领域的大数据问题。
陈必衷（Bee-Chung Chen） LinkedIn公司首席主任工程师、应用研究员，曾任Yahoo!研究院研究员。作为核心开发者，他为LinkedIn和Yahoo!设计了前沿的推荐算法，
统计推荐系统书籍相关信息
- ISBN：9787111635734
- 作者：Deepak K. Agarwal / 陈必衷（Bee-Chung Chen） / 戴薇 / 潘微科 / 明仲
- 出版社：北京:机械工业出版社
- 出版时间：2019-9
- 页数：暂无页数
- 价格：89.00元
- 纸张：暂无纸张
- 装帧：平装
- 开本：暂无开本
- 语言：暂无语言
- 丛书：图灵计算机科学丛书
- 原作名：Statistical Methods for Recommender Systems
- 适合人群：数据分析师, 机器学习工程师, 软件开发人员, 数据科学家, 商业分析师, 算法研究者, 大数据领域专业人士
- TAG：统计学 / 算法设计 / 机器学习 / 数据挖掘 / 商业智能 / 推荐算法
- 豆瓣评分：暂无豆瓣评分
- 更新时间：2025-05-02 21:10:00
内容简介：
推荐系统无处不在，已经成为我们日常生活的一部分。本书由LinkedIn公司的两位技术专家撰写，着眼于推荐系统的核心——统计方法，不仅介绍算法理论，而且包含实验分析及结果展示，分享了作者丰富的实战经验。
书中对推荐系统进行了全面讨论，特别是面向日益突显的多反馈和多目标优化问题，深入分析了当前先进的统计方法，如自适应序贯设计（多臂赌博机方法）、双线性随机效应模型（矩阵分解）以及基于MapReduce分布式框架的可伸缩模型，为热门推荐和个性化推荐提供了实用的解决方案。全书将基于回归的响应预测方法作为主要工具，兼顾实验设计和统计模型开发，关注探索和利用之间的权衡。
全格式电子版 - 免费下载
