《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】》

作者： 徐歆閔  

原文作者： Min Hsu

出版社：博碩  

出版日期：2023/12/28

語言：繁體中文

ISBN：9786263336681

規格：軟精裝 / 224頁 / 17 x 23 x 2.04 cm / 普通級 / 單色印刷 / 初版

出版地：中国台灣

本書分類：電腦資訊> 概論/科技趨勢> 人工智慧/機器學習

（页面参数仅供参考，具体以实物为准）

內容簡介

♚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組的冠军系列文章《那些在科技公司和App背後的資料科學》。你是否好奇全球頂*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*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*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。

本書特色

學習頂*公司的演算法與資料科學，啟發AI創新應用！

完整蒐集頂*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*科技公司的機器學習模型，借鏡打造AI創新路徑！

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組的冠军，同時也在Medium和Instagram上進行知識交流。

【iThome鐵人賽獲獎】

☛AI & Data組冠军《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.* 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N*P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