Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Nous attendons désormais des expériences personnalisées en ligne, qu’il s’agisse de Netflix qui vous suggère une série ou d’un site marchand qui propose des articles complémentaires. Mais comment ces suggestions sont-elles générées ? Dans ce cours, vous apprendrez tout ce qu’il faut pour créer votre propre moteur de recommandation. À travers des exercices pratiques, vous maîtriserez les deux approches les plus courantes : le filtrage collaboratif et le filtrage basé sur le contenu. Vous verrez ensuite comment mesurer des similarités comme la distance de Jaccard et la similarité cosinus, et comment évaluer la qualité des recommandations sur des données de test avec la racine de l’erreur quadratique moyenne (RMSE). À la fin du cours, vous aurez construit votre propre moteur de recommandation de films et serez en mesure d’appliquer vos compétences en Python pour créer ces systèmes dans n’importe quel secteur.
Prérequis
Programme de formation
Plan du cours
1
Introduction aux moteurs de recommandation
Quels problèmes les moteurs de recommandation cherchent-ils à résoudre et quelles données leur conviennent le mieux ? Identifiez les recommandations pertinentes que l’on peut produire même avec peu de données, et apprenez à créer vos propres recommandations.
- Qu’est-ce qu’un moteur de recommandation ?50 XP
- Moteurs de recommandation vs. prédictions100 XP
- Identifier les données adaptées aux moteurs de recommandation50 XP
- Données implicites vs. explicites100 XP
- Recommandations non personnalisées50 XP
- Introduction aux recommandations non personnalisées100 XP
- Améliorer les recommandations non personnalisées100 XP
- Combiner popularité et avis100 XP
- Suggestions non personnalisées50 XP
- Trouver toutes les paires de films100 XP
- Compter les paires100 XP
- Formuler vos premières recommandations de films100 XP
2
Recommandations basées sur le contenu
Découvrez comment exploiter les attributs des éléments pour générer des recommandations. Établissez des comparaisons utiles entre éléments avec des données catégorielles et textuelles. Créez des profils pour recommander de nouveaux éléments aux utilisateurs selon leurs préférences passées.
3
Filtrage collaboratif
Découvrez de nouveaux éléments à recommander en identifiant d’autres utilisateurs aux goûts similaires. Apprenez à formuler des recommandations basées sur les utilisateurs ou sur les éléments, et dans quels contextes privilégier chaque approche. Utilisez des modèles des k plus proches voisins pour tirer parti de l’intelligence collective et prédire la note qu’une personne pourrait attribuer à un élément qu’elle n’a pas encore vu.
4
Factorisation de matrices et validation des prédictions
Comprenez comment la sparsité des jeux de données réels peut affecter vos recommandations. Mettez à profit la factorisation de matrices pour gérer cette sparsité. Explorez l’intérêt des caractéristiques latentes et utilisez-les pour mieux comprendre vos données. Enfin, mettez les modèles étudiés à l’épreuve en apprenant à valider chacune des approches vues.
Créer des moteurs de recommandation en Python
Cours
terminé
