本書基于Python 3.7版本軟件編寫，全書圍繞推薦模型的開發實踐，為讀者重點展示了各種不同類型的推薦模型開發過程及其在多種業務場景下的應用。 本書分為四個部分，第一部分包含推薦系統的前世今生及其涉及的基礎數學知識，簡單介紹了推薦系統的發展過程及從事推薦模型研發所需要的數學知識；第二部分重點介紹不同類型的推薦算法在多種應用場景下的開發實踐，包括協同過濾、矩陣分解、Logistic回歸、決策樹、集成學習、因子分解與深度學習模型；第三部分介紹了推薦系統的冷啟動問題及效果評估方法；第四部分通過行業真實案例，比如廣告點擊率預測、金融產品精準營銷、電影推薦、音樂推薦、產品交叉銷售等，深入淺出、循序漸進的介紹了推薦模型開發的全過程。本書內容精煉、案例豐富，實踐性極強，可快速學習上手實踐，值得一讀，特別適合在企業中從事推薦模型開發、數據分析挖掘、機器學習研發等工作的人員使用，同樣適合想從事數據挖掘工作的各大中專院校的學生與教師，以及其他對推薦系統領域有興趣愛好的各類人員使用






本書基于Python 3.7版本軟件編寫，全書圍繞推薦模型的開發實踐，為讀者重點展示了各種不同類型的推薦模型開發過程及其在多種業務場景下的應用。


本書分為四個部分，第一部分包含推薦系統的前世今生及其涉及的基礎數學知識，簡單介紹了推薦系統的發展過程及從事推薦模型研發所需要的數學知識；第二部分重點介紹不同類型的推薦算法在多種應用場景下的開發實踐，包括協同過濾、矩陣分解、Logistic回歸、決策樹、集成學習、因子分解與深度學習模型；第三部分介紹了推薦系統的冷啟動問題及效果評估方法；第四部分通過行業真實案例，比如廣告點擊率預測、金融產品精準營銷、電影推薦、音樂推薦、產品交叉銷售等，深入淺出、循序漸進的介紹了推薦模型開發的全過程。


本書內容精煉、案例豐富，實踐性極強，可快速學習上手實踐，值得一讀，特別適合在企業中從事推薦模型開發、數據分析挖掘、機器學習研發等工作的人員使用，同樣適合想從事數據挖掘工作的各大中專院校的學生與教師，以及其他對推薦系統領域有興趣愛好的各類人員使用