کتاب Building Recommendation Systems in Python and JAX

کتاب Building Recommendation Systems in Python and JAX: Hands-On Production Systems at Scale (ساخت سیستم‌های توصیه در پایتون و JAX: سیستم های تولید عملی در مقیاس) علاوه بر شرح مفاهیم سیستم‌های توصیه شده در یادگیری ماشین، با استفاده از ابزار JAX و زبان پایتون آن‌ها را پیاده‌سازی می‌کند.

در ادامه مقدمه‌ای از کتاب Building Recommendation Systems in Python and JAX را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Building Recommendation Systems in Python and JAX:

چگونه این کتاب را پیدا کردید؟ آیا تبلیغی برای آن در یک وب سایت دیده اید؟ شاید یک دوست یا مربی آن را پیشنهاد کرده باشد. یا شاید پستی را در شبکه های اجتماعی دیدید که به آن اشاره داشت. آیا ممکن است آن را در یک قفسه در یک کتابفروشی پیدا کرده باشید – کتاب‌فروشی که برنامه نقشه‌های قابل اعتماد شما شما را به آن سوق داده است؟ با این حال شما آن را پیدا کرده اید، تقریباً مطمئناً از طریق یک سیستم توصیه به کتاب Building Recommendation Systems in Python and JAX رسیده‌اید.

پیاده‌سازی و طراحی سیستم‌هایی که پیشنهاداتی را به کاربران ارائه می‌دهند، یکی از محبوب‌ترین و ضروری‌ترین کاربردهای یادگیری ماشین (ML) برای هر کسب‌وکاری است. خواه می خواهید به کاربران خود کمک کنید بهترین لباس مطابق با سلیقه خود را پیدا کنند، جذاب ترین اقلام برای خرید از یک فروشگاه آنلاین، ویدیوهایی برای غنی سازی و سرگرم کردن آنها، محتوای جذاب برای پخش از شبکه هایشان، یا نکات برجسته خبری که نیاز دارند. بدانید در آن روز، سیستم های توصیه راه را فراهم می کنند.

طراحی‌های سیستم توصیه مدرن به اندازه دامنه‌هایی که ارائه می‌کنند متنوع هستند. این سیستم ها از معماری نرم افزارهای کامپیوتری برای پیاده سازی و اجرای اهداف محصول، علاوه بر اجزای الگوریتمی رتبه بندی تشکیل شده اند. روش‌های رتبه‌بندی توصیه‌ها می‌تواند از الگوریتم‌های یادگیری آماری سنتی، الهام‌گیری‌های خطی-جبری، ملاحظات هندسی، و البته، روش‌های مبتنی بر گرادیان باشد. همانطور که روش‌های الگوریتمی متنوع هستند، ملاحظات مدل‌سازی و ارزیابی برای توصیه‌ها نیز متنوع است: رتبه‌بندی شخصی، توصیه‌های جستجو، مدل‌سازی توالی، و امتیازدهی برای همه این‌ها اکنون برای مهندس ML که با سیستم‌های توصیه کار می‌کند لازم است بدانند. .

توجه داشته باشید

مخفف RecSys اغلب توسط پزشکان برای توصیف زمینه سیستم های توصیه استفاده می شود. بنابراین، در کتاب Building Recommendation Systems in Python and JAX از RecSys هنگام مراجعه به زمینه و از سیستم توصیه در هنگام مراجعه به آنچه می سازیم استفاده می کنیم.

اگر شما یک متخصص ML هستید، احتمالاً از سیستم‌های توصیه آگاه هستید و ممکن است یکی دو مورد از ساده‌ترین رویکردهای مدل‌سازی را بشناسید و بتوانید به طور هوشمندانه در مورد ساختار داده‌ها و معماری‌های مدل مربوط صحبت کنید.

با این حال، RecSys اغلب خارج از برنامه درسی اصلی علوم داده و ML قرار می گیرد. بسیاری از دانشمندان ارشد داده با سال‌ها تجربه در صنعت اطلاعات کمی در مورد ساختن یک سیستم توصیه دارند و ممکن است وقتی موضوع مطرح می شود احساس ترس کنند.

بیشتر بخوانید: کتاب Model-Based Machine Learning

علیرغم استفاده از مبانی و مهارت های مشابه مانند سایر مشکلات ML، RecSys دارای یک جامعه پر جنب و جوش با تمرکز سریع است که می تواند واگذاری سیستم های پیشنهادی ساختمان را به سایر دانشمندان داده که قبلاً وقت گذاشته اند یا مایل به ماندن در آن هستند، آسان کند. بالای آخرین اطلاعات

دلیل وجود کتاب Building Recommendation Systems in Python and JAX، شکستن موانع درک شده است. درک سیستم های توصیه در سطح عملی نه تنها برای موارد تجاری که نیاز به ارائه محتوا به کاربران دارند مفید است، بلکه ایده های اساسی RecSys اغلب شکاف ها را بین مجموعه بسیار متنوعی از انواع دیگر ML پر می کند.

به عنوان مثال، یک سیستم توصیه مقاله را در نظر بگیرید که ممکن است از پردازش زبان طبیعی (NLP) برای یافتن بازنمایی مقالات، مدل‌سازی متوالی برای ترویج تعامل طولانی‌تر، و اجزای متنی برای اجازه دادن به درخواست‌های کاربر برای هدایت نتایج استفاده کند. اگر از یک علاقه صرفاً آکادمیک به این رشته نزدیک می‌شوید، مهم نیست که به چه جنبه‌ای از ریاضیات علاقه دارید، دیر یا زود، پیوند یا برنامه‌ای در RecSys ظاهر می‌شود!

در نهایت، اگر اتصال به سایر زمینه‌ها، برنامه‌های تقریباً تمام ریاضیات، یا ابزار آشکار تجاری برای علاقه‌مند کردن شما به RecSys کافی نباشد، فناوری فوق‌العاده خیره‌کننده ممکن است: RecSys در خط مقدم ML و فراتر از آن باشد. بار. یکی از مزایای تاثیر آشکار درآمد این است که شرکت ها و متخصصان باید همیشه مرزهای ممکن و نحوه انجام آن را پیش ببرند. پیشرفته ترین معماری های یادگیری عمیق و بهترین زیرساخت های کد در این زمینه به کار گرفته شده اند. وقتی در نظر بگیرید که در قلب چهار حرف از پنج حرف FAANG – که مخفف متا (سابق فیس بوک)، اپل، آمازون، نتفلیکس و گوگل است- یک یا چند سیستم توصیه وجود دارد، تعجب آور نیست.

به عنوان یک پزشک، باید بدانید که چگونه کارهای زیر را انجام دهید:

• مشکل داده ها و کسب و کار خود را در نظر بگیرید و آن را به عنوان یک مشکل RecSys در نظر بگیرید
• داده های ضروری برای شروع ساخت RecSys را شناسایی کنید
• مدل های مناسب برای مشکل RecSys خود را تعیین کنید و چگونه باید آنها را ارزیابی کنید.
• پیاده سازی، آموزش، آزمایش و استقرار مدل های فوق الذکر
• معیارها را دنبال کنید تا مطمئن شوید که سیستم شما طبق برنامه کار می کند
• با کسب اطلاعات بیشتر در مورد کاربران، محصولات و مورد تجاری خود، سیستم خود را به تدریج بهبود دهید

کتاب Building Recommendation Systems in Python and JAX مفاهیم اصلی و مثال‌های لازم برای تکمیل این مراحل را، صرف نظر از صنعت یا مقیاس، نشان می‌دهد. ما شما را از طریق ریاضیات، ایده‌ها و جزئیات پیاده‌سازی برای ساختن سیستم‌های توصیه راهنمایی می‌کنیم – چه اولین و چه پنجاهمین شما. ما به شما نشان خواهیم داد که چگونه این سیستم ها را با پایتون و JAX بسازید.

اگر هنوز آشنایی ندارید، JAX یک چارچوب پایتون از گوگل است که به دنبال ایجاد تمایز خودکار و پارادایم های برنامه نویسی کاربردی اشیاء درجه یک است. علاوه بر این، از یک سبک NumPy API استفاده می کند که مخصوصاً برای پزشکان ML با زمینه های مختلف مناسب است.

ما نمونه‌های کد و مدل‌های معماری را نشان خواهیم داد که مفاهیم ضروری ضروری را در بر می‌گیرند و راهی را برای مقیاس‌سازی این سیستم‌ها به برنامه‌های تولید ارائه می‌دهند.

سرفصل‌های کتاب Building Recommendation Systems in Python and JAX:

• Preface
• I. Warming Up
• 1. Introduction
• 2. User-Item Ratings and Framing the Problem
• 3. Mathematical Considerations
• 4. System Design for Recommending
• 5. Putting It All Together: Content-Based Recommender
• II. Retrieval
• 6. Data Processing
• 7. Serving Models and Architectures
• 8. Putting It All Together: Data Processing and Counting Recommender
• III. Ranking
• 9. Feature-Based and Counting-Based Recommendations
• 10. Low-Rank Methods
• 11. Personalized Recommendation Metrics
• 12. Training for Ranking
• 13. Putting It All Together: Experimenting and Ranking
• IV. Serving
• 14. Business Logic
• 15. Bias in Recommendation Systems
• 16. Acceleration Structures
• V. The Future of Recs
• 17. Sequential Recommenders
• 18. What’s Next for Recs?
• Index
• About the Authors

جهت دانلود کتاب Building Recommendation Systems in Python and JAX می‌توانید پس از پرداخت، دریافت کنید.