killtayoto的专栏

一本我读了3遍但是还放在我的桌上的久负盛名的著作，非常的耐看。这个书在我对于C迷茫的阶段中，总是不断的让我有新的发现。

虽然可能没有对机器学习等方面进行很深入的研究，但是大多数的算法我都多多少少的有些接触。在本书的第二章里面，直接讲解的是一个实例：推荐。这个是我在很多面试过程中都问到过的问题，比如说问通常认为推荐是怎么做的。以前我也是对亚马逊的推荐系统有所了解，而且也经过了一些的观察。总结起来比如说“协同过滤”，这个有点像是社会化推荐，然后是基于物体本体的推荐等等。但是都没有很深入的了解过，只是很笼统的知道有这么个东西。

这本书是我很久以前就很想看的一本书了，可能从名字上面看，很多人都会觉得莫名其妙，不知所云。的确，对于一般的望文生义，书名的确和机器学习以及数据挖掘很难沾上边。对于技术和研究人员来说，这本书对于机器学习以及数据挖掘方面的见解非常的独特，并非是一本非常枯燥的理论书籍，这里面设计的现在已经非常流行而且有很大经济效益的例子才是学而至用的最高境界。书中具的例子，很多和一些长尾理论非常的类似，而且提供的技术很多都是在说怎么从互联网上面挖出一些长尾的信息来。

上一篇里面的协作过滤方法是基于用户的，方法都是首先需要找到与自己相近的用户，让后利用这些小范围的用户来对自己没有看到过的东西进行推荐。但是考虑一个情况，比如说淘宝，注册用户已经超过了六千万左右，而且现在还在不停的涨。那么上面的基于用户的协作过滤方法的一个问题就是，对一个用户推荐通常需要和其他所有的用户进行计算，并得出最终的推荐信息。在大数据量面前，这个算法的缺点就是计算量太大。这里将要介绍的“基于物品的协作过滤”算法就能避免这些大数据量的计算。这里的“避免”的意思是，不需要在线的实时的计算，而是可以在后台已

<br /> 发现组群<br /> <br /> <br />这一章让我很纠结，主要是我个人对python略懂，所以里面很多的程序在python现在的版本中非常的不给力，尤其是那个gernerater的错误。这一章的题目是“发现组群”，我觉得叫”组群发现“好多了，而且我觉得中文版中很多的翻译都比较的水，很不符合中国人的胃口。说起组群，就是在很大的一大堆人群中，找出哪些人臭味相投。一个很自然的想法就是分类和聚类。分类就是你给一些标签，然后将每个人分到对应的标签里面。这个的前提是必须你要对这个人群大致的了解才行