Building Recommendation Systems in Python and JAX: Hands-On Production Systems at Scale

پیاده‌سازی و طراحی سیستم‌هایی که به کاربران پیشنهاد می‌دهند، از محبوب‌ترین و ضروری‌ترین برنامه‌های یادگیری ماشینی موجود هستند. چه بخواهید مشتریان جذاب‌ترین اقلام را در فروشگاه آنلاین شما بیابند، چه ویدیوهایی برای غنی‌سازی و سرگرم کردن آن‌ها، یا اخباری که باید بدانند، سیستم‌های توصیه (RecSys) این راه را فراهم می‌کنند.

در این کتاب کاربردی، نویسندگان برایان بیشوف و هکتور یی مفاهیم اصلی و مثال‌هایی را برای کمک به ایجاد RecSys برای هر صنعت یا مقیاسی به شما نشان می‌دهند. شما ریاضیات، ایده ها و جزئیات اجرایی را که برای موفقیت نیاز دارید، یاد خواهید گرفت. این کتاب شامل اجزای پلتفرم RecSys، ابزار MLOps مربوطه در پشته شما، به‌علاوه مثال‌های کد و پیشنهادات مفید در PySpark، SparkSQL، FastAPI، Weights & Biases، و Kafka است.

یاد خواهید گرفت:

• داده های ضروری برای ساخت RecSys
• چگونه داده ها و کسب و کار خود را به عنوان یک مشکل RecSys چارچوب بندی کنیم
• روش ها برای ارزیابی مدل‌های مناسب برای سیستم شما
• روش‌های پیاده‌سازی، آموزش، آزمایش و استقرار مدلی که انتخاب می‌کنید
• معیارهایی که باید ردیابی کنید تا مطمئن شوید سیستم شما طبق برنامه کار می‌کند
• نحوه بهبود هنگامی که درباره کاربران، محصولات و مورد تجاری خود اطلاعات بیشتری کسب می کنید، سیستم شما

Implementing and designing systems that make suggestions to users are among the most popular and essential machine learning applications available. Whether you want customers to find the most appealing items at your online store, videos to enrich and entertain them, or news they need to know, recommendation systems (RecSys) provide the way.

In this practical book, authors Bryan Bischof and Hector Yee illustrate the core concepts and examples to help you create a RecSys for any industry or scale. You'll learn the math, ideas, and implementation details you need to succeed. This book includes the RecSys platform components, relevant MLOps tools in your stack, plus code examples and helpful suggestions in PySpark, SparkSQL, FastAPI, Weights & Biases, and Kafka.

You'll learn:

• The data essential for building a RecSys
• How to frame your data and business as a RecSys problem
• Ways to evaluate models appropriate for your system
• Methods to implement, train, test, and deploy the model you choose
• Metrics you need to track to ensure your system is working as planned
• How to improve your system as you learn more about your users, products, and business case