Build your ultimate AI agent
Descripción del curso
Este curso te mostrará cómo crear motores de recomendación usando Alternating Least Squares en PySpark. Con los populares conjuntos de datos MovieLens y Million Songs, te guiaremos paso a paso por la intuición del algoritmo Alternating Least Squares y por el código para entrenar, probar e implementar modelos ALS con varios tipos de datos de clientes.
Requisitos previos
Programa de formación
Contenido del curso
1
Las recomendaciones están en todas partes
En este capítulo verás lo potentes que pueden ser los motores de recomendación y conocerás las diferencias clave entre los motores de filtrado colaborativo y los basados en contenido, así como los distintos tipos de datos implícitos y explícitos que pueden usar. También aprenderás una forma muy eficaz de descubrir características ocultas (características latentes) que quizá ni siquiera sepas que existen en conjuntos de datos de clientes.
- ¿Por qué aprender a crear motores de recomendación?50 XP
- Descubre la potencia de un motor de recomendaciones100 XP
- El poder de los motores de recomendación50 XP
- Tipos de motores de recomendación y tipos de datos50 XP
- Filtrado colaborativo vs. filtrado basado en contenido50 XP
- Filtrado colaborativo vs. basado en contenido (parte II)50 XP
- Datos implícitos vs. explícitos100 XP
- Tipos de datos de valoraciones100 XP
- Usos de los motores de recomendaciones50 XP
- Usos alternativos de los motores de recomendación.50 XP
- Confirma que entiendes las características latentes100 XP
2
¿Cómo funciona ALS?
En este capítulo repasarás conceptos básicos de multiplicación y factorización de matrices, y profundizarás en cómo funciona el algoritmo Alternating Least Squares y qué argumentos e hiperparámetros utiliza para devolver las mejores recomendaciones posibles. También aprenderás técnicas importantes para preparar correctamente tus datos para ALS en Spark.
3
Recomendar películas
En este capítulo conocerás el conjunto de datos MovieLens. Verás cómo evaluar si es adecuado para ALS, construirás un modelo ALS completo con validación cruzada y aprenderás a evaluar su rendimiento. Esto será la base de todos los modelos ALS que construyas con PySpark.
4
¿Y si no tienes valoraciones de clientes?
En la mayoría de situaciones reales, no tendrás datos de clientes «perfectos» disponibles para crear un modelo ALS. Este capítulo te enseñará a usar los datos de comportamiento de tus clientes para «inferir» valoraciones y emplear esas valoraciones inferidas para construir un motor de recomendación con ALS. Con el Million Songs Dataset y otra versión de MovieLens, verás cómo aprovechar los datos que tienes para crear un motor de recomendación con ALS y evaluar su rendimiento.
Creación de motores de recomendación con PySpark
Curso
completado
