Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Hoy esperamos experiencias personalizadas en línea: desde Netflix recomendando una serie hasta una tienda sugiriendo productos relacionados. Pero ¿cómo se generan estas sugerencias? En este curso aprenderás todo lo necesario para crear tu propio motor de recomendación. A través de ejercicios prácticos, dominarás los dos enfoques más comunes: filtrado colaborativo y filtrado basado en contenido. Después, verás cómo medir similitudes como la distancia de Jaccard y la similitud del coseno, y cómo evaluar la calidad de las recomendaciones en datos de prueba usando el error cuadrático medio (RMSE). Al finalizar, habrás construido tu propio motor de recomendaciones de películas y sabrás aplicar tus habilidades en Python para crear estos sistemas en cualquier sector.
Requisitos previos
Programa de formación
Contenido del curso
1
Introducción a los motores de recomendación
¿Qué problemas resuelven los motores de recomendación y qué datos se adaptan mejor a ellos? Descubre qué recomendaciones útiles pueden hacerse incluso con datos limitados y aprende a crear tus propias recomendaciones.
- ¿Qué son los motores de recomendación?50 XP
- Motores de recomendación vs. predicciones100 XP
- Identificar los datos adecuados para motores de recomendación50 XP
- Datos implícitos vs. explícitos100 XP
- Recomendaciones no personalizadas50 XP
- Introducción a las recomendaciones no personalizadas100 XP
- Recomendaciones no personalizadas mejoradas100 XP
- Combinando popularidad y reseñas100 XP
- Sugerencias no personalizadas50 XP
- Encontrar todos los pares de películas100 XP
- Contando las parejas100 XP
- Crea tus primeras recomendaciones de películas100 XP
2
Recomendaciones basadas en contenido
Descubre cómo usar los atributos de los ítems para generar recomendaciones. Crea comparaciones valiosas entre ítems con datos categóricos y de texto. Genera perfiles para recomendar nuevos ítems a los usuarios según sus preferencias pasadas.
3
Filtrado colaborativo
Encuentra nuevos ítems que recomendar a los usuarios identificando a otros con gustos similares. Aprende a hacer recomendaciones basadas en usuarios y basadas en ítems, y en qué contextos conviene usar cada una. Utiliza modelos de k vecinos más cercanos para aprovechar la sabiduría de la multitud y predecir cómo podría valorar alguien un ítem que aún no ha visto.
4
Factorización de matrices y validación de tus predicciones
Comprende cómo la dispersión de los conjuntos de datos reales puede afectar a tus recomendaciones. Aprovecha la potencia de la factorización de matrices para manejar esta dispersión. Explora el valor de las características latentes y úsalas para comprender mejor tus datos. Por último, pon a prueba los modelos que has visto aprendiendo a validar cada uno de los enfoques.
Creación de motores de recomendación en Python
Curso
completado
