您现在的位置是：论文诗词网 > 成语词典 > 经典图书 >
智能Web算法
2022-03-24 20:51经典图书 人已围观
基本介绍
作者: Haralambos Marmanis / Dmitry Babenko
出版社: 电子工业出版社
出品方: 博文视点
原作名: Algorithms of the Intelligent Web
译者: 阿稳 / 陈钢
出版年: 2011-11
页数: 374
定价: 65.00元
装帧: 平装
ISBN: 9787121139192
书本简介
本书涵盖了五类重要的智能算法：搜索、推荐、聚类、分类和分类器组合，并结合具体的案例讨论了它们在Web应用中的角色及要注意的问题。除了第1章的概要性介绍以及第7章对所有技术的整合应用外，第2～6章以代码示例的形式分别对这五类算法进行了介绍。
本书面向的是广大普通读者，特别是对算法感兴趣的工程师与学生，所以对于读者的知识背景并没有过多的要求。本书中的例子和思想应用广泛，所以对于希望从业务角度更好地理解有关技术的技术经理、产品经理和管理层来说，本书也有一定的价值。
作者简介
Haralambos (Babis) Marmanis 博士是一个把机器学习技术应用于工业界的先行者，也是供应管理的世界级专家。Dmitry Babenko曾经为银行、保险、供应链管理与商务智能公司设计过应用与基础架构。
本书拥有者可以通过 www.manning.com/AlgorithmsoftheIntelligentWeb在线获得作者的信息、样例代码与免费的电子版本。
Dr. Haralambos (Babis) Marmanis is a pioneer in the adoption of machine learning techniques for industrial solutions, and also a world expert in supply management. He has about twenty years ...
目录
前言XV
致谢XIX
关于本书XXI
1 什么是智能Web？1
1.1 智能Web应用实例3
1.2 智能应用的基本要素4
1.3 什么应用会受益于智能?5
1.3.1 社交网络6
1.3.2 Mashup7
1.3.3 门户网站8
1.3.4 维基9
1.3.5 文件分享网站9
1.3.6 网络游戏11
1.4 如何构建智能应用？11
1.4.1 检查功能和数据12
1.4.2 获取更多的数据12
1.5 机器学习、数据挖掘及其他16
1.6 智能应用中八个常见的误区17
1.6.1 误区1：数据是可靠的18
1.6.2 误区2：计算能马上完成19
1.6.3 误区3：不用考虑数据规模19
1.6.4 误区4：不考虑解决方案的可扩展性19
1.6.5 误区5：随处使用同样的方法19
1.6.6 误区6：总是能知道计算时间20
1.6.7 误区7：复杂的模型更好20
1.6.8 误区8：存在无偏见的模型20
1.7 小结20
1.8 参考资料21
2 搜索22
2.1 用Lucene实现搜索23
2.1.1 理解Lucene代码24
2.1.2 搜索的基本步骤31
2.2 为什么搜索不仅仅是索引？33
2.3 用链接分析改进搜索结果35
2.3.1 PageRank简介35
2.3.2 计算PageRank向量37
2.3.3 alpha：网页间跳转的影响38
2.3.4 理解幂方法40
2.3.5 结合索引分值和PageRank分值45
2.4 根据用户点击改进搜索结果47
2.4.1 用户点击初探48
2.4.2 朴素贝叶斯分类器的使用50
2.4.3 整合Lucene索引、PageRank和用户点击54
2.5 Word、PDF等无链接文档的排序58
2.5.1 DocRank算法简介58
2.5.2 DocRank的原理60
2.6 大规模实现的有关问题65
2.7 用户得到了想要的结果吗？精确度和查全率67
2.8 总结69
2.9 To Do70
2.10 参考资料72
3 推荐系统73
3.1 一个在线音乐商店：基本概念74
3.1.1 距离与相似度的概念75
3.1.2 走近相似度的计算80
3.1.3 什么才是最好的相似度计算公式？83
3.2 推荐引擎是怎么工作的84
3.2.1 基于相似用户的推荐85
3.2.2 基于相似条目的推荐94
3.2.3 基于内容的推荐98
3.3 推荐朋友、文章与新闻报道104
3.3.1 MyDiggSpace.com简介105
3.3.2 发现朋友106
3.3.3 DiggDelphi的内部工作机制108
3.4 像Netflix.com那样推荐电影114
3.4.1 电影数据集的介绍及推荐器114
3.4.2 数据标准化与相关系数117
3.5 大规模的实现与评估123
3.6 总结124
3.7 To Do125
3.8 参考资料127
4 聚类：事物的分组128
4.1 聚类的需求129
4.1.1 网站中的用户组：案例研究129
4.1.2 用SQL order by子句分组131
4.1.3 用数组排序分组132
4.2 聚类算法概述135
4.2.1 基于分组结构的聚类算法分类136
4.2.2 基于数据类型和结构的聚类算法分类137
4.2.3 根据数据规模的聚类算法分类137
4.3 基于链接的算法138
4.3.1 树状图：基本的聚类数据结构139
4.3.2 基于链接的算法概况141
4.3.3 单链接算法142
4.3.4 平均链接算法144
4.3.5 最小生成树算法147
4.4 k-means算法149
4.4.1 初识k-means算法150
4.4.2 k-means的内部原理151
4.5 鲁棒的链接型聚类（ROCK）153
4.5.1 ROCK简介154
4.5.2 为什么ROCK这么强大？154
4.6 DBSCAN159
4.6.1 基于密度的算法简介159
4.6.2 DBSCAN的原理162
4.7 超大规模数据聚类165
4.7.1 计算复杂性166
4.7.2 高维度167
4.8 总结168
4.9 To Do169
4.10 参考资料171
5 分类：把事物放到它该在的地方172
5.1 对分类的需求173
5.2 分类器的概述177
5.2.1 结构分类算法178
5.2.2 统计分类算法180
5.2.3 分类器的生命周期181
5.3 邮件的自动归类与垃圾邮件过滤182
5.3.1 朴素贝叶斯分类184
5.3.2 基于规则的分类197
5.4 用神经网络做欺诈检测210
5.4.1 交易数据中关于欺诈检测的一个用例210
5.4.2 神经网络概览212
5.4.3 一个可用的神经网络欺诈检测器214
5.4.4 神经网络欺诈检测器剖析218
5.4.5 创建通用神经网络的基类226
5.5 你的结果可信吗？232
5.6 大数据集的分类235
5.7 总结237
5.8 To Do239
5.9 参考资料242
6 分类器组合244
6.1 信贷价值：分类器组合案例研究246
6.1.1 数据的简要说明247
6.1.2 为真实问题生成人工数据250
6.2 用单分类器做信用评估255
6.2.1 朴素贝叶斯的基准线255
6.2.2 决策树基准线258
6.2.3 神经网络的基准线260
6.3 在同一个数据集中比较多个分类器263
6.3.1 McNemar检验264
6.3.2 差额比例检验266
6.3.3 Cochran Q检验与F检验268
6.4 bagging: bootstrap聚合（bootstrap aggregating）270
6.4.1 bagging实例272
6.4.2 bagging分类器底层细节274
6.4.3 分类器集成276
6.5 boosting：一种迭代提高的方法279
6.5.1 boosting分类器实例280
6.5.2 boosting分类器底层细节282
6.6 总结286
6.7 To Do288
6.8 参考资料292
7 智能技术大汇集：一个智能新闻门户293
7.1 功能概览295
7.2 获取并清洗内容296
7.2.1 各就位、预备、开抓！296
7.2.2 搜索预备知识回顾298
7.2.3 一个抓取并处理好的新闻数据集299
7.3 搜索新闻301
7.4 分配新闻类别304
7.4.1 顺序问题304
7.4.2 使用NewsProcessor类进行分类309
7.4.3 分类器310
7.4.4 分类策略：超越底层的分类313
7.5 用NewsProcessor类创建新闻分组316
7.5.1 聚类全部文章317
7.5.2 在一个新闻类别中聚类文章321
7.6 基于用户评分的动态内容展示325
7.7 总结328
7.8 To Do329
7.9 参考资料333
附录A BeanShell简介334
A.1 什么是BeanShell？334
A.2 为什么使用BeanShell？335
A.3 运行BeanShell335
A.4 参考资料336
附录B 网络采集337
B.1 爬虫组件概况337
B.1.1 采集的步骤338
B.1.2 我们的简单爬虫338
B.1.3 开源Web爬虫339
B.2 参考资料340
附录C 数学知识回顾341
C.1 向量和矩阵341
C.2 距离的度量342
C.3 高级矩阵方法344
C.4 参考资料344
附录D 自然语言处理345
D.1 参考资料347
附录E 神经网络348
E.1 参考资料349
索引350
智能Web算法图书介绍 : 直接购买
上一篇：大学生
下一篇：人鱼的信物之禁忌之恋（上下）
