具体描述
本书涵盖了五类重要的智能算法：搜索、推荐、聚类、分类和分类器组合，并结合具体的案例讨论了它们在Web应用中的角色及要注意的问题。除了第1章的概要性介绍以及第7章对所有技术的整合应用外，第2～6章以代码示例的形式分别对这五类算法进行了介绍。
本书面向的是广大普通读者，特别是对算法感兴趣的工程师与学生，所以对于读者的知识背景并没有过多的要求。本书中的例子和思想应用广泛，所以对于希望从业务角度更好地理解有关技术的技术经理、产品经理和管理层来说，本书也有一定的价值。
作者简介
Haralambos (Babis) Marmanis 博士是一个把机器学习技术应用于工业界的先行者，也是供应管理的世界级专家。Dmitry Babenko曾经为银行、保险、供应链管理与商务智能公司设计过应用与基础架构。
本书拥有者可以通过 www.manning.com/AlgorithmsoftheIntelligentWeb在线获得作者的信息、样例代码与免费的电子版本。
Dr. Haralambos (Babis) Marmanis is a pioneer in the adoption of machine learning techniques for industrial solutions, and also a world expert in supply management. He has about twenty years of experience in developing professional software. Currently, he is the director of R&D and chief architect, for expense management solutions, at Emptoris, Inc. Babis holds a Ph.D. in applied mathematics from Brown University, an M.S. degree in theoretical and applied mechanics from the University of Illinois at Urbana-Champaign, and B.S. and M.S. degrees in civil engineering from the Aristotle University of Thessaloniki in Greece. He was the recipient of the Sigma Xi award for innovative research in 2000, and he is the author of numerous publications in peer-reviewed international scientific journals, conferences, and technical periodicals.
Dmitry Babenko is the lead for the data warehouse infrastructure at Emptoris, Inc. He is a software engineer and architect with 13 years of experience in the IT industry. He has designed and built a wide variety of applications and infrastructure frameworks for banking, insurance, supply-chain management, and business intelligence companies. He received a M.S. degree in computer science from Belarussian State University of Informatics and Radioelectronics.
目录信息
致谢 XIX
关于本书 XXI
1 什么是智能Web？ 1
1.1 智能Web应用实例 3
1.2 智能应用的基本要素 4
1.3 什么应用会受益于智能? 5
1.3.1 社交网络 6
1.3.2 Mashup 7
1.3.3 门户网站 8
1.3.4 维基 9
1.3.5 文件分享网站 9
1.3.6 网络游戏 11
1.4 如何构建智能应用？ 11
1.4.1 检查功能和数据 12
1.4.2 获取更多的数据 12
1.5 机器学习、数据挖掘及其他 16
1.6 智能应用中八个常见的误区 17
1.6.1 误区1：数据是可靠的 18
1.6.2 误区2：计算能马上完成 19
1.6.3 误区3：不用考虑数据规模 19
1.6.4 误区4：不考虑解决方案的可扩展性 19
1.6.5 误区5：随处使用同样的方法 19
1.6.6 误区6：总是能知道计算时间 20
1.6.7 误区7：复杂的模型更好 20
1.6.8 误区8：存在无偏见的模型 20
1.7 小结 20
1.8 参考资料 21
2 搜索 22
2.1 用Lucene实现搜索 23
2.1.1 理解Lucene代码 24
2.1.2 搜索的基本步骤 31
2.2 为什么搜索不仅仅是索引？ 33
2.3 用链接分析改进搜索结果 35
2.3.1 PageRank简介 35
2.3.2 计算PageRank向量 37
2.3.3 alpha：网页间跳转的影响 38
2.3.4 理解幂方法 40
2.3.5 结合索引分值和PageRank分值 45
2.4 根据用户点击改进搜索结果 47
2.4.1 用户点击初探 48
2.4.2 朴素贝叶斯分类器的使用 50
2.4.3 整合Lucene索引、PageRank和用户点击 54
2.5 Word、PDF等无链接文档的排序 58
2.5.1 DocRank算法简介 58
2.5.2 DocRank的原理 60
2.6 大规模实现的有关问题 65
2.7 用户得到了想要的结果吗？精确度和查全率 67
2.8 总结 69
2.9 To Do 70
2.10 参考资料 72
3 推荐系统 73
3.1 一个在线音乐商店：基本概念 74
3.1.1 距离与相似度的概念 75
3.1.2 走近相似度的计算 80
3.1.3 什么才是最好的相似度计算公式？ 83
3.2 推荐引擎是怎么工作的 84
3.2.1 基于相似用户的推荐 85
3.2.2 基于相似条目的推荐 94
3.2.3 基于内容的推荐 98
3.3 推荐朋友、文章与新闻报道 104
3.3.1 MyDiggSpace.com简介 105
3.3.2 发现朋友 106
3.3.3 DiggDelphi的内部工作机制 108
3.4 像Netflix.com那样推荐电影 114
3.4.1 电影数据集的介绍及推荐器 114
3.4.2 数据标准化与相关系数 117
3.5 大规模的实现与评估 123
3.6 总结 124
3.7 To Do 125
3.8 参考资料 127
4 聚类：事物的分组 128
4.1 聚类的需求 129
4.1.1 网站中的用户组：案例研究 129
4.1.2 用SQL order by子句分组 131
4.1.3 用数组排序分组 132
4.2 聚类算法概述 135
4.2.1 基于分组结构的聚类算法分类 136
4.2.2 基于数据类型和结构的聚类算法分类 137
4.2.3 根据数据规模的聚类算法分类 137
4.3 基于链接的算法 138
4.3.1 树状图：基本的聚类数据结构 139
4.3.2 基于链接的算法概况 141
4.3.3 单链接算法 142
4.3.4 平均链接算法 144
4.3.5 最小生成树算法 147
4.4 k-means算法 149
4.4.1 初识k-means算法 150
4.4.2 k-means的内部原理 151
4.5 鲁棒的链接型聚类（ROCK） 153
4.5.1 ROCK简介 154
4.5.2 为什么ROCK这么强大？ 154
4.6 DBSCAN 159
4.6.1 基于密度的算法简介 159
4.6.2 DBSCAN的原理 162
4.7 超大规模数据聚类 165
4.7.1 计算复杂性 166
4.7.2 高维度 167
4.8 总结 168
4.9 To Do 169
4.10 参考资料 171
5 分类：把事物放到它该在的地方 172
5.1 对分类的需求 173
5.2 分类器的概述 177
5.2.1 结构分类算法 178
5.2.2 统计分类算法 180
5.2.3 分类器的生命周期 181
5.3 邮件的自动归类与垃圾邮件过滤 182
5.3.1 朴素贝叶斯分类 184
5.3.2 基于规则的分类 197
5.4 用神经网络做欺诈检测 210
5.4.1 交易数据中关于欺诈检测的一个用例 210
5.4.2 神经网络概览 212
5.4.3 一个可用的神经网络欺诈检测器 214
5.4.4 神经网络欺诈检测器剖析 218
5.4.5 创建通用神经网络的基类 226
5.5 你的结果可信吗？ 232
5.6 大数据集的分类 235
5.7 总结 237
5.8 To Do 239
5.9 参考资料 242
6 分类器组合 244
6.1 信贷价值：分类器组合案例研究 246
6.1.1 数据的简要说明 247
6.1.2 为真实问题生成人工数据 250
6.2 用单分类器做信用评估 255
6.2.1 朴素贝叶斯的基准线 255
6.2.2 决策树基准线 258
6.2.3 神经网络的基准线 260
6.3 在同一个数据集中比较多个分类器 263
6.3.1 McNemar检验 264
6.3.2 差额比例检验 266
6.3.3 Cochran Q检验与F检验 268
6.4 bagging: bootstrap聚合（bootstrap aggregating） 270
6.4.1 bagging实例 272
6.4.2 bagging分类器底层细节 274
6.4.3 分类器集成 276
6.5 boosting：一种迭代提高的方法 279
6.5.1 boosting分类器实例 280
6.5.2 boosting分类器底层细节 282
6.6 总结 286
6.7 To Do 288
6.8 参考资料 292
7 智能技术大汇集：一个智能新闻门户 293
7.1 功能概览 295
7.2 获取并清洗内容 296
7.2.1 各就位、预备、开抓！ 296
7.2.2 搜索预备知识回顾 298
7.2.3 一个抓取并处理好的新闻数据集 299
7.3 搜索新闻 301
7.4 分配新闻类别 304
7.4.1 顺序问题 304
7.4.2 使用NewsProcessor类进行分类 309
7.4.3 分类器 310
7.4.4 分类策略：超越底层的分类 313
7.5 用NewsProcessor类创建新闻分组 316
7.5.1 聚类全部文章 317
7.5.2 在一个新闻类别中聚类文章 321
7.6 基于用户评分的动态内容展示 325
7.7 总结 328
7.8 To Do 329
7.9 参考资料 333
附录A BeanShell简介 334
A.1 什么是BeanShell？ 334
A.2 为什么使用BeanShell？ 335
A.3 运行BeanShell 335
A.4 参考资料 336
附录B 网络采集 337
B.1 爬虫组件概况 337
B.1.1 采集的步骤 338
B.1.2 我们的简单爬虫 338
B.1.3 开源Web爬虫 339
B.2 参考资料 340
附录C 数学知识回顾 341
C.1 向量和矩阵 341
C.2 距离的度量 342
C.3 高级矩阵方法 344
C.4 参考资料 344
附录D 自然语言处理 345
D.1 参考资料 347
附录E 神经网络 348
E.1 参考资料 349
索引 350
· · · · · · (收起)
读后感
Yooreeka-20130127 bsc.sh 里的配置文件加载包名跟lib里的都不一样， 而且就找不到 Yooreeka.jar 这个 请过来人指点～～～～～～～～～～～
评分Yooreeka-20130127 bsc.sh 里的配置文件加载包名跟lib里的都不一样， 而且就找不到 Yooreeka.jar 这个 请过来人指点～～～～～～～～～～～
评分可以作为智能算法学习的起点，覆盖了搜索、推荐、聚类、分类等领域，有大量实用的示例代码，提供了很多扩展阅读的资源，以此为线索可以帮助我们循序渐进的深入智能算法的领域。 不足之处： 书中代码的部分常常没有事先说明思路，直接先上代码，而代码中琐碎无关的部分，以及排...
评分花了半个多月的时间断断续续地看完了这本书，说说感受。 1. 先说这本书的适用人群，在译者序里说是学生和需要梳理的工作者，但是在我看来，我觉得最佳的订位，应该是之前没有过相关经验，然后需要用最快的速度完成一个智能系统的人。因为本书把所有的知识简单化，当然随之的也...
评分Yooreeka-20130127 bsc.sh 里的配置文件加载包名跟lib里的都不一样， 而且就找不到 Yooreeka.jar 这个 请过来人指点～～～～～～～～～～～
用户评价
我拿到《智能Web算法》这本书的时候，心里就涌现出一种想要一探究竟的冲动。我一直对互联网世界里那些看不见的“大脑”——那些驱动着我们日常Web体验的算法——感到好奇。想象一下，当你打开一个购物平台，它能如此准确地知道你可能喜欢什么，甚至在你还没意识到自己需要什么之前就给你推荐出来，这背后究竟藏着怎样精密的计算？又或者，当你搜索一个信息，搜索引擎是如何在海量数据中，迅速找到最相关的结果，并且按照一定的“智能”排序？我希望这本书能像一把钥匙，打开我通往这些技术秘密的大门。我期待它能用清晰易懂的语言，讲解那些复杂的算法原理，例如图论在社交网络分析中的应用，机器学习在个性化推荐中的角色，甚至是一些关于用户画像构建的方法。我想要了解的，不仅仅是算法本身，更是算法如何被巧妙地运用在Web环境中，如何解决实际问题，如何优化用户体验。读完这本书，我希望能具备一定的分析能力，能够对一些常见的Web应用背后的算法逻辑有所洞察，不再只是被动的使用者，而是能带着更深的理解去审视这个智能化的网络世界。
评分拿到《智能Web算法》这本书，我立刻就被它所涵盖的领域所吸引。我一直觉得，互联网的未来，就是“智能”的未来。而“智能”的实现，离不开强大的“算法”。这本书的书名就精准地抓住了这一点，让我觉得它非常有价值。我尤其好奇的是，在Web这个庞大的信息海洋中，算法是如何扮演“导航者”的角色，帮助我们找到方向，避免迷失。比如，内容推荐系统是如何做到“懂你”的？它是不是在背后默默地分析着我每一次的点击、停留、甚至是一些我可能都没有意识到的行为？又或者，搜索引擎的排序算法，又是如何判断哪些信息更有价值、更可信，从而排在前面？我期望这本书能够深入浅出地揭示这些算法的奥秘，让我理解它们是如何工作的，又是如何影响着我们获取信息的途径和方式。我希望这本书能提供一些实用的算法思路，比如如何构建一个简单的推荐模型，或者如何利用一些图算法来分析Web结构。如果书中能包含一些关于如何评估算法效果的讨论，那就更好了。总而言之，我希望这本书能让我对“智能Web算法”有一个系统而深刻的认识，为我理解和参与这个日益智能化的互联网世界打下坚实的基础。
评分说实话，拿到《智能Web算法》这本书，我首先被它的封面设计吸引了。那种简约而富有科技感的排版，让我觉得它不是一本陈旧的教科书，而是一本紧随时代步伐的最新研究成果。我最感兴趣的是，这本书是如何将“智能”这个抽象的概念与“Web算法”这种具体的实现方式结合起来的。我们每天都在使用各种Web应用，但很少去深究它们背后的原理。比如，新闻推荐算法是如何做到“千人千面”的，它又是如何捕捉到用户的兴趣点，并在海量新闻中进行高效筛选的？社交媒体的“好友推荐”功能，又是运用了哪些图算法或者机器学习模型来分析用户关系，从而给出建议的？我希望这本书能深入浅出地讲解这些算法，不仅仅是罗列公式，更要解释清楚这些公式背后的思想和应用场景。我特别期待书中能有一些案例分析，比如分析某个知名Web服务的推荐系统是如何工作的，或者某个搜索引擎的排序算法是如何演变的。如果能有一些关于自然语言处理在Web搜索中的应用，或者一些关于用户行为分析的算法，那就更好了。这本书的出现，让我看到了将理论知识转化为实际应用的可能性，也让我对接下来的阅读充满了期待。
评分这本书的书名是《智能Web算法》，我拿到它的时候，心里其实是有点忐忑的。一方面，“智能”和“算法”这两个词都充满了科技感和深度，让我觉得内容肯定会非常硬核，可能需要很强的计算机基础才能读懂。另一方面，又觉得“Web”这个词把范围缩小到了互联网领域，这让我想象着这本书会介绍那些在搜索引擎、推荐系统、社交网络背后默默工作的智能算法，听起来就很有吸引力。我脑海中浮现出各种场景：当我们输入一个关键词，搜索引擎瞬间返回海量相关信息，这背后是怎样的智能匹配？当我们浏览购物网站，那些精准推送的商品又是基于何种算法的分析？更不用说那些每天都在我们指尖滑过的社交媒体内容，它们是如何被算法筛选、组织、呈现，从而影响着我们的信息获取和社交体验？我期待这本书能像一位经验丰富的向导，带领我一步步揭开这些“智能”面纱，理解那些隐藏在日常Web应用背后的精妙逻辑。我特别希望能学到一些实际的算法原理，而不仅仅是停留在概念层面，最好是能有一些代码示例或者伪代码，让我能更直观地感受到算法的运作方式。读完这本书，我希望能对“智能Web”有一个更清晰、更深刻的认识，不再仅仅是用户，而是能站在更高的视角去理解这个信息爆炸时代。
评分《智能Web算法》这本书的书名，让我对它充满了期待，也带着一丝好奇。我想象着，这本书会像一位经验丰富的向导，带领我穿梭在数据和代码交织的Web世界里。我特别想知道，那些让我们惊叹的Web应用，比如智能客服、个性化广告、甚至是一些在线学习平台上的学习路径规划，它们背后究竟是怎样的“智能”在运转？是不是有各种各样的算法在默默地工作，将冰冷的数据转化为有用的信息和贴心的服务？我希望这本书能够深入浅出地讲解这些算法的原理，不仅是那些高大上的机器学习模型，也包括一些基础的图算法、搜索算法，以及它们是如何在Web环境中得到巧妙的应用。我非常期待能看到一些具体的案例分析，比如某个著名搜索引擎是如何利用算法来提高搜索结果的相关性，或者某个社交平台是如何利用算法来分析用户关系，从而进行好友推荐。读完这本书，我希望能对“智能Web算法”有一个更清晰、更全面的认识，不再仅仅是Web的使用者，而是能够理解这些智能是如何被创造和运用的，甚至能从中获得一些启发，去思考Web的未来发展方向。
评分挺烂的，还不如集体智慧编程呢。里面代码也挺烂的。
评分终于看完，但是还有很多小细节需要复习以及深入，毕竟这本书只是给了个入门知识。
评分看得懂就鬼来了，扔一堆晦涩的名字罗列一下，有很多代码也都没有必要占篇幅
评分: TP393.4/1146
评分看得懂就鬼来了，扔一堆晦涩的名字罗列一下，有很多代码也都没有必要占篇幅
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 qciss.net All Rights Reserved. 小哈图书下载中心 版权所有