Weiter zum Inhalt
StartseitePython

Kurs

Recommendation Engines mit Python entwickeln

MittelSchwierigkeitsgrad
Aktualisiert 04/2024
Lerne, wie du mit Python und Machine-Learning-Techniken Empfehlungssysteme entwickelst.
Kurs kostenlos starten
PythonMachine Learning
4 Std.
16 Videos
60 Übungen
4,850 XP
12,781
Leistungsnachweis

Kostenloses Konto erstellen

Mit Google fortfahrenWeitere Optionen anzeigen

oder

Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.

Beliebt bei Lernenden in Tausenden Unternehmen

Group

Ein Team schulen?

Für Unternehmen ausprobieren

Kursbeschreibung

Wir erwarten heute personalisierte Erlebnisse online – ob Netflix eine Serie vorschlägt oder ein Händler passende Produkte empfiehlt. Doch wie entstehen solche Vorschläge? In diesem Kurs lernst du alles, was du brauchst, um deine eigene Empfehlungs-Engine zu bauen. In praxisnahen Übungen machst du dich mit den beiden gängigsten Ansätzen vertraut: Collaborative Filtering und Content-based Filtering. Danach lernst du, Ähnlichkeiten wie die Jaccard-Distanz und die Kosinus-Ähnlichkeit zu berechnen und die Qualität von Empfehlungen auf Testdaten mit dem Root Mean Square Error (RMSE) zu bewerten. Am Ende des Kurses hast du deine eigene Film-Empfehlungs-Engine gebaut und kannst deine Python-Skills einsetzen, um solche Systeme für jede Branche zu entwickeln.

Voraussetzungen

Supervised Learning with scikit-learn
1

Einführung in Recommendation Engines

Welche Probleme lösen Recommendation Engines und welche Daten eignen sich dafür am besten? Erkenne, welche hilfreichen Empfehlungen sich selbst mit wenig Daten ableiten lassen, und lerne, wie du eigene Empfehlungen erstellst.
Kapitel starten
2

Content-basierte Empfehlungen

Entdecke, wie sich Item-Attribute für Empfehlungen nutzen lassen. Erstelle aussagekräftige Vergleiche zwischen Items mit kategorialen und Textdaten. Baue Profile, um Nutzerinnen und Nutzern basierend auf ihren bisherigen Vorlieben neue Items zu empfehlen.
Kapitel starten
3

Collaborative Filtering

Finde neue Items für Empfehlungen, indem du andere mit ähnlichem Geschmack identifizierst. Lerne, nutzerbasierte und itembasierte Empfehlungen zu erstellen – und in welchem Kontext sie sinnvoll sind. Nutze K-Nearest-Neighbors-Modelle, um die Weisheit der Menge zu nutzen und vorherzusagen, wie jemand ein noch unbekanntes Item bewerten könnte.
Kapitel starten
4

Matrixfaktorisierung und Validierung deiner Vorhersagen

Verstehe, wie die Sparsität realer Datensätze deine Empfehlungen beeinflusst. Nutze die Stärke der Matrixfaktorisierung, um mit dieser Sparsität umzugehen. Erkunde den Mehrwert latenter Merkmale und nutze sie, um deine Daten besser zu verstehen. Setze die entdeckten Modelle zum Schluss auf die Probe, indem du lernst, jeden der Ansätze zu validieren.
Kapitel starten
Recommendation Engines mit Python entwickeln
Kurs
abgeschlossen

Leistungsnachweis verdienen

Füge diesen Fähigkeitsnachweis zu deinem LinkedIn-Profil, Anschreiben oder Lebenslauf hinzu
Teile es auf Social Media und in deiner LeistungsbeurteilungJetzt anmelden

    Schließe dich 19 Millionen Lernenden an und starte Recommendation Engines mit Python entwickeln heute!

    Kostenloses Konto erstellen

    Mit Google fortfahrenWeitere Optionen anzeigen

    oder

    Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.

    DataCamp gibt es auch für Mobilgeräte

    Mit unseren Kursen für Mobilgeräte und täglichen Programmier-Challenges erweiterst du deine Datenkompetenz von unterwegs.