Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
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
Lernprogramm
Kursübersicht
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.
- Was sind Empfehlungssysteme?50 XP
- Empfehlungssysteme vs. Vorhersagen100 XP
- Die richtigen Daten für Recommendation Engines erkennen50 XP
- Implizite vs. explizite Daten100 XP
- Nicht-personalisierte Empfehlungen50 XP
- Einführung in nicht-personalisierte Empfehlungen100 XP
- Verbesserte nicht-personalisierte Empfehlungen100 XP
- Beliebtheit und Bewertungen kombinieren100 XP
- Nicht-personalisierte Vorschläge50 XP
- Alle Filmpaare finden100 XP
- Paare hochzählen100 XP
- Deine ersten Filmempfehlungen erstellen100 XP
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.
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.
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.
Recommendation Engines mit Python entwickeln
Kurs
abgeschlossen
