商品已停售
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】[88折]11101027223 TAAZE讀冊生活網路書店
1. 透過LINE購物進入蝦皮後禁止再透過蝦皮直播下單,避免訂單認列異常
2. 請務必「清空」蝦皮購物車,再透過LINE購物連結至蝦皮商店進行購買 ;先把商品加入購物車,再從LINE購物連結至蝦皮結帳,將無法獲得點數回饋。
3. 請避免連續下單,若您完成交易後,想下第二張訂單,請重新從LINE購物連結至蝦皮商店進行購買
4. 電子票券及繳費服務類別:回饋0%。
5. 請留意,蝦皮超市內的商品(蝦皮超市、蝦皮直送美妝、蝦皮免運直送)不隸屬於蝦皮商城,點數回饋請依照「蝦皮超市」商店頁為主。
6. 蝦皮商城之訂單適用於部分點數紅包,規範請依該紅包頁說明為主。
7. 點數回饋將依照蝦皮提供扣除折價券、運費與蝦幣後之最終金額進行計算。
8. 同一商品品項(即便不同尺寸規格),皆會計入同一筆返點上限進行計算
9. 用戶需於同一瀏覽器進行交易(若自動跳轉 APP,請在 APP交易)。
10. 若使用不同物流或付款方式,將拆分成不同筆訂單編號發送通知。
11. 若使用折價券折抵,可能會有攤提折抵導致訂單金額些微落差
12. 蝦皮會將LINE的導購跳轉紀錄與蝦皮的會員ID進行綁定,若後續七天內未透過其他媒體來源導入蝦皮官網,則七天內於該蝦皮帳號下訂的首筆訂單會被蝦皮認列為該LINE用戶導購跳轉時所成立之訂單。
13. 若同一用戶使用一個以上蝦皮帳號透過LINE購物進行導購,將可能導致無法收到導購通知,亦可能無法收到點數,再請留意。
[注意事項]
1.如導購途中用戶由網頁版(電腦版/手機版網頁)切換為 App 會造成追蹤中斷而無法進行 LINE Points 回饋
2.若購買過程中關閉蝦皮APP,則需重新透過LINE購物前往蝦皮商城,否則無法進行LINE POINTS 回饋。 / 3.如用戶先前往蝦皮商城將商品加入購物車,後續透過LINE購物前往至蝦皮商城將購物車結清,此方案將不列入 LINE Points 回饋
4.若因系統異常無法追蹤訂單,致使消費者無接收到點數回饋,蝦皮保有更改條款與法律追訴之權利
5. LINE購物商品價格若與蝦皮賣場實際價格有異,以蝦皮賣場價格為準商品描述
商品資料
作者:徐歆閔(Min Hsu)
出版社:博碩文化股份有限公司
出版日期:2023/12/28
ISBN/ISSN:9786263336681
語言:繁體/中文
裝訂方式:平裝
頁數:224
原價:680
------------------------------------------------------------------------
內容簡介
【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
☛Medium:
☛
【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
|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
4.2
4.3
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