阅读推荐--Behind Closed Door

最近找到了由Johanna Rothman写的<Behind Closed Door>,终于抽出一些时间读了一下。没想到竟然一气读完,欲罢不能。这确实是一本好书,以新上任的经理说起, 逐步将所有工作理顺的过程。

全书没有讲大道理,只有点点滴滴的小技巧。细节决定成败是一句被滥用的话,不过整本书都在讲细节,如何定位问题,分析问题,方法和工具,还有一些最佳实践。针对性非常强,见招拆招,最后的总结提出的方法和理论更是显示了作者在管理方面的造诣。

 

为什么这本书没有引人注目?也许顶级管理类书籍关注的都是高层面的主题,谈论的都是创新性管理。而本书只谈小擒拿,读者定位为中层管理,也没有什么创新的东西。全部都是实用技巧,很有效。帮我解决了很多问题,最重要的是指明了解决问题的方向,这个远远比那些理论重要的多。

 

在此,向专注于技术,但又有心向管理方向发展的朋友们强烈推荐此书--<Behind Closed Door>.同时,作者的网站也有不少文章很精彩。读完之后,请记得与大家分享你的收获。

基于html+python+Apriori 算法、SVD(奇异值分解)的电影推荐算法+源码+项目文档+算法解析+数据集,适合毕业设计、课程设计、项目开发。项目源码已经过严格测试,可以放心参考并在此基础上延申使用,详情见md文档 电影推荐算法:Apriori 算法、SVD(奇异值分解)推荐算法 电影、用户可视化 电影、用户管理 数据统计 SVD 推荐 根据电影打分进行推荐 使用 svd 模型计算用户对未评分的电影打分,返回前 n 个打分最高的电影作为推荐结果 n = 30 for now 使用相似电影进行推荐 根据用户最喜欢的前 K 部电影,分别计算这 K 部电影的相似电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now 根据相似用户进行推荐 获取相似用户 K 个,分别取这 K 个用户的最喜爱电影 n 部,返回 K*n 部电影进行推荐 K = 10 and n = 5 for now Redis 使用 Redis 做页面访问次数统计 缓存相似电影 在使用相似电影推荐的方式时,每次请求大概需要 6.6s(需要遍历计算与所有电影的相似度)。 将相似电影存储至 redis 中(仅存储 movie_id,拿到 movie_id 后还是从 mysql 中获取电影详细信息), 时间缩短至:93ms。 十部电影,每部存 top 5 similar movie 登录了 1-6 user并使用了推荐系统,redis 中新增了 50 部电影的 similar movie,也就是说,系统只为 6 为用户计算了共 60 部电影的相似度,其中就有10 部重复电影。 热点电影重复度还是比较高的
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值