智能推荐系统开发实战/人工智能技术丛书

《智能推荐系统开发实战》基于Python 3.7编写，全书围绕推荐模型的开发实践，为读者重点展示了各种不同类型的推荐模型开发过程及其在多种业务场景下的应用。
全书分为4篇，第1篇包含推荐系统的前世今生及其涉及的基础数学知识，简单介绍了推荐系统的发展过程及从事推荐模型研发所需要的数学知识；第2篇重点介绍不同类型的推荐算法在多种应用场景下的开发实践，包括协同过滤、矩阵分解、Logistic回归、决策树、集成学习、因子分解与深度学习模型；第3篇介绍了推荐系统的冷启动问题及效果评估方法；第4篇通过行业真实案例，如广告点击率预测、金融产品精准营销、电影推荐、音乐推荐、产品交叉销售等，深入浅出、循序渐进地介绍了推荐模型开发的全过程。
《智能推荐系统开发实战》内容精练、案例丰富，实践性极强，可快速学习并上手实践，值得一读，特别适合在企业中从事推荐模型开发、数据分析挖掘、机器学习研发等工作的人员使用，同样适合想从事数据挖掘工作的各大中专院校的学生与教师，以及其他对推荐系统领域有兴趣爱好的各类人员使用。

尚涛，毕业于上海交通大学数学系，拥有数学硕士学位，研究方向为数据挖掘与机器学习应用领域，曾任职于支付宝、易方达基金等头部企业，现任职于南方基金，专注于精准营销、推荐系统、风险评分以及数据化运营等领域的研发工作，拥有超过10年数据挖掘和优化建模的经验，以及多年使用SAS、R、Python等软件的经验，在从业经历中，为所在公司的业务方成功实施了众多深受好评的数据挖掘项目，取得了较好的业务价值。

第1篇 推荐系统的基础知识
第1章 推荐系统的前世今生
1.1 从信息匮乏到信息过载
1.2 从搜索到推荐
1.3 推荐系统的应用场景
1.4 推荐系统的基础知识
1.4.1 什么是推荐系统
1.4.2 使用推荐系统的目的
1.4.3 如何搭建一个推荐系统
1.4.4 推荐系统涉及的模型
1.5 推荐系统的开发工具说明
第2章 推荐系统的数学基础
2.1 线性代数
2.1.1 向量
2.1.2 矩阵
2.1.3 范数
2.1.4 矩阵分解
2.2 微积分
2.2.1 函数
2.2.2 极限
2.2.3 导数
2.2.4 微分中值定理
2.2.5 泰勒展开式
2.2.6 梯度
2.2.7 最小二乘法
2.3 概率统计
2.3.1 概率
2.3.2 总体与个体
2.3.3 简单随机抽样
2.3.4 统计量
2.3.5 描述性统计
第2篇 推荐模型的开发实践
第3章 基于协同过滤的推荐
3.1 协同过滤算法简介
3.1.1 基于用户的协同过滤
3.1.2 基于项目的协同过滤
3.1.3 基于模型的协同过滤
3.2 基于协同过滤算法的实现
3.2.1 数据源说明
3.2.2 基于项目的协同过滤推荐实现
3.2.3 基于用户的协同过滤推荐实现
……
第3篇 推荐系统的冷启动及效果评估
第4篇 项目实战