推薦系統方法的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和資訊懶人包

大數據挖掘與應用

為了解決推薦系統方法的問題，作者王振武 這樣論述：

本書對大數據挖掘與應用的基本算法進行了系統的介紹，每種算法不僅包括對算法基本原理的介紹，而且配有大量的例題以及基於阿里雲數加平台的演示，這種理論與實踐相結合的方式極大地方便了讀者對抽象的數據挖掘算法的理解和掌握。本書共17章，內容覆蓋了數據預處理、關聯規則挖掘算法、分類算法和聚類算法及常見的數據挖掘應用，具體章節包括大數據簡介、數據預處理技術、關聯規則挖掘、邏輯回歸方法、KNN算法、朴素貝葉斯分類算法、隨機森林分類算法、支持向量機、人工神經網絡算法、決策樹分類算法、K means聚類算法、K 中心點聚類算法、自組織神經網絡聚類算法、DBSCAN聚類算法以及社交網絡分析方法及應用、文本分析方法及

應用和推薦系統方法及應用等內容。本書可作為高等院校數據挖掘課程的教材，也可作為從事數據挖掘工作及其他相關工程技術工作的人員的參考書。 第一篇 基礎篇 第1章 大數據簡介 1.1 大數據 1.1.1 大數據的定義 1.1.2 大數據的特點 1.1.3 大數據處理的挑戰 1.2 大數據挖掘 1.2.1 大數據挖掘的定義 1.2.2 大數據挖掘的特點 1.3 大數據挖掘的相關方法 1.3.1 數據預處理技術 1.3.2 關聯規則挖掘 1.3.3 分類 1.3.4 聚類 1.3.5 孤

立點挖掘 1.3.6 演變分析 1.3.7 特異群組分析 1.4 大數據挖掘類型 1.4.1 Web數據挖掘 1.4.2 空間數據挖掘 1.4.3 流數據挖掘 1.5 大數據挖掘的常見應用 1.5.1 社交網絡分析 1.5.2 文本分析 1.5.3 推薦系統 1.6 常用的大數據統計分析方法 1.6.1 百分位 1.6.2 皮爾森相關系數 1.6.3 直方圖 1.6.4 T檢驗 1.6.5 卡方檢驗 1.7 常用的大數據挖掘評估方法 1.8 大數據平台相關技術 1.

8.1 分布式存儲技術 1.8.2 分布式任務調度技術 1.8.3 並行計算技術 1.8.4 其他技術 1.9 大數據平台實例——阿里雲數加平台 1.9.1 數加平台簡介 1.9.2 數加平台產品簡介 1.9.3 數加平台優勢特色 1.9.4 機器學習平台簡介 1.9.5 機器學習平台功能 1.9.6 機器學習平台操作流程 1.10 小結 思考題第二篇 技術篇 第2章 數據預處理技術 2.1 數據預處理的目的 2.2 數據采樣 2.2.1 加權采樣 2.2.2 隨機采樣 2.

2.3 分層采樣 2.3 數據清理 2.3.1 填充缺失值 2.3.2 光滑噪聲數據 2.3.3 數據清理過程 2.4 數據集成 2.4.1 數據集成簡介 2.4.2 常用數據集成方法 2.5 數據變換 2.5.1 數據變換簡介 2.5.2 數據規范化 2.6 數據歸約 2.6.1 數據立方體聚集 2.6.2 維歸約 第3章 關聯規則挖掘 第4章 邏輯回歸方法 第5章 KNN算法 第6章 朴素貝葉斯分類算法 第7章 隨機森林分類算法 第8章 支持向量機 第9章 人工神經網絡算法

第10章 決策樹分類算法 第11章 K-means聚類算法 第12章 K-中心點聚類算法 第13章 自組織神經網絡聚類算法 第14章 DBSCAN聚類算法第三篇 綜合應用篇 第15章 社交網絡分析方法及應用 第16章 文本分析方法及應用 第17章 推薦系統方法及應用參考文獻

推薦系統方法進入發燒排行的影片

人工智慧之運動處方推薦系統

為了解決推薦系統方法的問題，作者陳弘凱 這樣論述：

背景：許多臨床醫生對於同一患者在有伴隨的心血管疾病和危險因素的情況下，均難以開立運動處方。由於這個原因，歐洲預防心臟病協會日常實踐和康復訓練運動處方（EXPERT）工具已經被開發在臨床實踐中來為心血管疾病患者提供數位化運動訓練和決策支持。有研究也針對職業及業餘跑者建立專屬於他們的運動處方。但是對於剛開始從事運動訓練之族群也需要運動處方之推薦，以增強他們的身體活動。除此之外，規律運動或增加身體活動量有助於降低一般人以及患有非傳染性疾病患者的全因死亡率。本研究主要是通過運動社群平台收集的運動數據，來為沒有運動習慣之族群構建引導性的運動處方推薦系統。方法：數據之主要來源於運動的社群平台 Joiis

ports APP。本研究所進行的運動處方系統的建立和測試由六個模組所組成。其中包含三個月建議運動模式（3mSEM）、遵循 3m-SEM 的運動處方建議後的預測安靜心率下降值（3m-PV）、兩個月建議運動模式（2m-SEM）、遵循 2m-SEM 的運動處方建議後的預測安靜心率下降值（2mPV）、一個月建議運動模式（1m-SEM）、遵循 1m-SEM 的運動處方建議後的預測安靜心率下降值（1m-PV）。剛開始使用運動處方系統的用戶可以依照自己的意願從事一個月、兩個月或三個月的運動訓練。以三個月的運動計畫為例，當新用戶輸入自己的性別、身高、體重、年齡和當前的安靜心率時，每一個月建議的運動模式會推薦

給用戶，並且預測用戶經過三個月運動處方訓練後，安靜心率改善的數值。1m-SEM、2m-SEM 及 3m-SEM 模組使用類神經網路、支持向量機、K-近鄰演算法、分類樹、促進式決策樹及引導聚集樹當作分類器。而 1m-PV、2m-PV 及 3m-PV 模組使用類神經網路、支持向量回歸、線性回歸、回歸樹、促進式決策樹及引導聚集樹當作回歸器。結果：在 1m-SEM 中，類神經網路、支持向量機、分類樹及引導聚集樹達到 94.40%測試準確率。在 2m-SEM 中，引導聚集樹達到 95.00%測試準確率。在 3m-SEM 中，ii分類樹、促進式決策樹及引導聚集樹達到 93.75%測試準確率。在 1m-PV

、2m-PV 及3m-PV 中，類神經網路分別對這三個模組達到 3.15，2.89 及 2.75 測試平均絕對誤差心率值。本篇論文所開發的運動處方系統提供量化的運動處方及預期改善安靜時之心率，以引導剛開始從事運動訓練之族群從事有效的運動。結論：本研究根據運動一個月，二個月及三個月之後的安靜心率改善數值為根據來建立個人化之運動處方推薦系統以引導剛從事運動訓練之族群從事有效的運動計劃。