科技巨頭的演算法大揭祕:資料科學家必讀的資料科學與機器學習實戰筆記(iThome鐵人賽系列書)【軟精裝】

徐歆閔(Min Hsu) 著

  • 科技巨頭的演算法大揭祕:資料科學家必讀的資料科學與機器學習實戰筆記(iThome鐵人賽系列書)【軟精裝】-preview-1
  • 科技巨頭的演算法大揭祕:資料科學家必讀的資料科學與機器學習實戰筆記(iThome鐵人賽系列書)【軟精裝】-preview-2
  • 科技巨頭的演算法大揭祕:資料科學家必讀的資料科學與機器學習實戰筆記(iThome鐵人賽系列書)【軟精裝】-preview-3
  • 科技巨頭的演算法大揭祕:資料科學家必讀的資料科學與機器學習實戰筆記(iThome鐵人賽系列書)【軟精裝】-preview-4
  • 科技巨頭的演算法大揭祕:資料科學家必讀的資料科學與機器學習實戰筆記(iThome鐵人賽系列書)【軟精裝】-preview-5
  • 科技巨頭的演算法大揭祕:資料科學家必讀的資料科學與機器學習實戰筆記(iThome鐵人賽系列書)【軟精裝】-preview-6
  • 科技巨頭的演算法大揭祕:資料科學家必讀的資料科學與機器學習實戰筆記(iThome鐵人賽系列書)【軟精裝】-preview-7
  • 科技巨頭的演算法大揭祕:資料科學家必讀的資料科學與機器學習實戰筆記(iThome鐵人賽系列書)【軟精裝】-preview-8
  • 科技巨頭的演算法大揭祕:資料科學家必讀的資料科學與機器學習實戰筆記(iThome鐵人賽系列書)【軟精裝】-preview-9
  • 科技巨頭的演算法大揭祕:資料科學家必讀的資料科學與機器學習實戰筆記(iThome鐵人賽系列書)【軟精裝】-preview-10
科技巨頭的演算法大揭祕:資料科學家必讀的資料科學與機器學習實戰筆記(iThome鐵人賽系列書)【軟精裝】-preview-1

買這商品的人也買了...

相關主題

商品描述

【專業推薦】
「本書非常有結構地介紹現在科技巨頭賴以維生的各種推薦與媒合演算法。內容由淺入深地討論這些科技巨頭如何使用海量數據來揣度人心,闡釋為何看似相同的推薦與媒合問題在不同公司卻有本家家難念的經。」

黃從仁,國立臺灣大學心理學系模型建構與資訊學實驗室



【本書特色】

學習頂尖公司的演算法與資料科學,啟發AI創新應用!
完整蒐集頂尖科技公司的演算法,學習AI世界的經驗精華!
全面解析及整理頂尖科技公司的機器學習模型,借鏡打造AI創新路徑!



瞭解資料科學:說明資料科學概念,深入淺出演算法
掌握實例應用:學習科技公司技術,掌握各種應用場景
運用實戰案例:涵蓋各種機器學習模型來打造實用功能
清楚內容編排:針對所需主題閱讀,充分理解演算法概念


【內容簡介】
本書內容改編自第14屆iThome鐵人賽AI& Data組的冠軍系列文章《那些在科技公司和App背後的資料科學》。你是否好奇全球頂尖的科技公司是如何利用資料科學打造出創新且成功的產品呢?本書將會深入介紹Spotify、Meta、Netflix、Uber和Airbnb等科技巨頭如何借助於資料科學和機器學習的技術,來為其產品注入革命性的創新。

本書整理及解析頂尖科技公司的機器模型與應用,內容從閱讀本書所需具備的概念開始,包括推薦系統、多臂式吃角子老虎機、A/B測試及排序模型的常見指標,再分別介紹科技巨頭的演算法內容,如Spotify和Netflix的多媒體內容推薦、Meta的社交內容推薦及排序、Airbnb的搜尋系統及房源排序模型、Uber和Uber Eats的預測模型及推薦系統等,我們將可瞭解這些演算法的理論知識,更可透過案例來學習這些模型是如何應用於實際產品之中。

【目標讀者】

想要對科技公司的演算法一探究竟的資料科學家。
想借鏡於頂尖科技公司如何利用資料科學,來改善個人的產品或服務的科技產業工作者。
想進一步發展自身技能的資料科學家和工程師。
對資料科學、科技和創新有濃厚興趣的讀者。

作者簡介

徐歆閔(Min Hsu)
現任職於資安公司的資料科學家,擁有國立臺灣大學的學士和碩士學位,在國際期刊上共發表三篇文章。曾於日本京都大學、加拿大英屬哥倫比亞大學進行研究訪問。

個人熱愛自學和知識分享,於2022年參加iThome鐵人賽,並獲得AI & Data組的冠軍,同時也在Medium和Instagram上進行知識交流。


Medium:https://medium.com/smhsu
Instagram:@data.scientist.min

【iThome鐵人賽獲獎】

AI & Data組冠軍《那些在科技公司和App背後的資料科學》

目錄大綱

|Chapter 01| 科技產品演算法的先備知識
1.1 什麼是推薦系統?
1.2 多臂式吃角子老虎機
1.3 A/B測試
1.4 排序模型的常見指標
1.5 參考文獻

|Chapter 02| Spotify
2.1 Spotify的使用者調查
2.2 Spotify的推薦模型:BART模型
2.3 Spotify在推薦播放清單時,同時考量用戶和音樂內容的特徵
2.4 利用用戶的音樂播放紀錄來推薦Podcast節目
2.5 Spotify使用NLP打造Podcast搜尋
2.6 參考文獻

|Chapter 03| Netflix
3.1 Netflix的首頁設計
3.2 Netflix的推薦演算法
3.3 Netflix的首頁生成:內容列的選擇與排序
3.4 Netflix的證據選擇演算法
3.5 Netflix的搜尋系統
3.6 Netflix面臨的挑戰
3.7 參考文獻

|Chapter 04| Meta
4.1 Facebook的用戶調查
4.2 Facebook的貼文推薦產生
4.3 Instagram的不同頁面和其演算法
4.4 參考文獻

|Chapter 05| Airbnb
5.1 Airbnb的搜尋系統
5.2 Airbnb的房源排序模型
5.3 優化房源排序模型來提升個人化推薦
5.4 增加房源排序模型的多樣化
5.5 Airbnb考量屋主喜好來排序搜尋結果
5.6 優化Airbnb搜尋頁面的顯示內容
5.7 Airbnb的新功能:Airbnb Categories
5.8 參考文獻

|Chapter 06| Uber
6.1 Uber的資料蒐集
6.2 Uber的模型
6.3 Uber用DeeprETANet估計外送時間
6.4 Uber Eats
6.5 參考文獻