Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
In diesem Kurs lernst du, wie du mit Alternating Least Squares in PySpark Recommendation Engines baust. Anhand der beliebten MovieLens- und der Million Songs-Datensätze führt dich der Kurs Schritt für Schritt durch die Intuition hinter dem Alternating-Least-Squares-Algorithmus sowie durch den Code zum Trainieren, Testen und Implementieren von ALS-Modellen auf verschiedenen Arten von Kundendaten.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Empfehlungen sind überall
Dieses Kapitel zeigt dir, wie leistungsfähig Recommendation Engines sein können, und erklärt die wichtigen Unterschiede zwischen Collaborative-Filtering-Engines und Content-basierten Engines sowie die verschiedenen Arten von impliziten und expliziten Daten, die Recommendation Engines nutzen können. Außerdem lernst du eine sehr wirkungsvolle Methode kennen, um verborgene Merkmale (Latent Features) in Kundendatensätzen aufzudecken, von deren Existenz du vielleicht noch gar nichts weißt.
- Warum solltest du lernen, Empfehlungsmaschinen zu bauen?50 XP
- Erlebe, wie stark ein Recommendation-Engine ist100 XP
- Die Macht von Recommendation-Engines50 XP
- Arten von Empfehlungssystemen und Datentypen50 XP
- Collaborative Filtering vs. Content-based Filtering50 XP
- Collaborative vs. Content-based Filtering, Teil II50 XP
- Implizite vs. explizite Daten100 XP
- Datentypen von Bewertungen100 XP
- Einsatzmöglichkeiten von Empfehlungssystemen50 XP
- Alternative Einsatzmöglichkeiten von Empfehlungssystemen.50 XP
- Verständnis von latenten Merkmalen überprüfen100 XP
2
Wie funktioniert ALS?
In diesem Kapitel wiederholst du Grundlagen der Matrixmultiplikation und Matrixfaktorisierung und tauchst ein in die Funktionsweise des Alternating-Least-Squares-Algorithmus – inklusive der Argumente und Hyperparameter, mit denen er die bestmöglichen Empfehlungen liefert. Außerdem lernst du wichtige Techniken kennen, um deine Daten in Spark richtig für ALS aufzubereiten.
3
Filme empfehlen
In diesem Kapitel lernst du den MovieLens-Datensatz kennen. Du gehst Schritt für Schritt durch die Beurteilung seiner Eignung für ALS, baust darauf ein vollständig kreuzvalidiertes ALS-Modell auf und lernst, seine Performance zu evaluieren. Das bildet die Grundlage für alle weiteren ALS-Modelle, die du mit PySpark erstellst.
4
Was, wenn du keine Kundenbewertungen hast?
In den meisten realen Situationen stehen dir keine „perfekten“ Kundendaten für den Aufbau eines ALS-Modells zur Verfügung. In diesem Kapitel lernst du, wie du aus dem Kundenverhalten Bewertungen „ableiten“ kannst und diese abgeleiteten Bewertungen zum Aufbau einer ALS-Recommendation-Engine nutzt. Mithilfe des Million Songs-Datensatzes sowie einer weiteren Version des MovieLens-Datensatzes zeigt dir dieses Kapitel, wie du die verfügbaren Daten verwendest, um mit ALS eine Recommendation Engine zu bauen und ihre Performance zu bewerten.
Recommendation Engines mit PySpark erstellen
Kurs
abgeschlossen
