Build your ultimate AI agent
कोर्स विवरण
हम ऑनलाइन पर्सनलाइज़्ड अनुभवों की अपेक्षा करते हैं—चाहे Netflix कोई शो सुझाए या कोई ऑनलाइन रिटेलर वे आइटम बताए जो आपको पसंद आ सकते हैं। लेकिन ये सुझाव बनते कैसे हैं? इस कोर्स में, आप अपना खुद का रिकमेंडेशन इंजन बनाने के लिए जरूरी सब कुछ सीखेंगे। हैंड्स-ऑन एक्सरसाइज़ के जरिए, आप दो सबसे आम सिस्टम्स—collaborative filtering और content-based filtering—को अच्छी तरह समझेंगे। इसके बाद, आप Jaccard distance और cosine similarity जैसी समानताएँ मापना सीखेंगे, और टेस्ट डेटा पर root mean square error (RMSE) का उपयोग करके रिकमेंडेशन्स की क्वालिटी का मूल्यांकन करना सीखेंगे। कोर्स के अंत तक, आप अपना खुद का मूवी रिकमेंडेशन इंजन बना चुके होंगे और इन सिस्टम्स को किसी भी इंडस्ट्री में बनाने के लिए अपनी Python स्किल्स लागू कर पाएँगे।
पूर्वापेक्षाएँ
पाठ्यक्रम
कोर्स रूपरेखा
1
रिकमेंडेशन इंजनों का परिचय
रिकमेंडेशन इंजन किन समस्याओं को हल करने के लिए बनाए जाते हैं और उनके लिए कौन-सा डेटा सबसे उपयुक्त होता है? सीमित डेटा के साथ भी कौन-से सारगर्भित सुझाव दिए जा सकते हैं, यह समझिए, और अपने खुद के रिकमेंडेशन्स बनाना सीखिए।
- रिकमेंडेशन इंजन क्या होते हैं?50 XP
- रिकमेंडेशन इंजन बनाम प्रेडिक्शंस100 XP
- रिकमेंडेशन इंजनों के लिए उपयुक्त डेटा की पहचान50 XP
- अप्रत्यक्ष बनाम प्रत्यक्ष डेटा100 XP
- Non-personalized सिफारिशें50 XP
- नॉन-पर्सनलाइज़्ड रिकमेंडेशंस का परिचय100 XP
- बेहतर non-personalized recommendations100 XP
- लोकप्रियता और रिव्यू को मिलाना100 XP
- गैर-व्यक्तिगत सुझाव50 XP
- सभी मूवी के जोड़े ढूँढना100 XP
- जोड़ी की गिनती करें100 XP
- अपनी पहली मूवी रिकमेन्डेशन बनाइए100 XP
2
कॉन्टेंट-आधारित रिकमेंडेशन
जाने कि आइटम के एट्रिब्यूट्स का उपयोग करके कैसे रिकमेंडेशन दिए जा सकते हैं। कैटेगरीकल और टेक्स्ट डेटा दोनों से आइटम्स के बीच उपयोगी तुलना बनाएँ। यूज़र की पिछली पसंद के आधार पर नए आइटम सुझाने के लिए प्रोफाइल जनरेट करें।
3
कोलैबोरेटिव फिल्टरिंग
उपयोगकर्ताओं जैसे मिलते-जुलते स्वाद वाले अन्य लोगों को ढूँढकर नए आइटम्स रिकमेंड करें। यूज़र-बेस्ड और आइटम-बेस्ड रिकमेंडेशन्स बनाना सीखें—और किस संदर्भ में किसका उपयोग करना चाहिए। भीड़ की समझ का लाभ उठाने के लिए k-nearest neighbors मॉडल्स का उपयोग करें और अनुमान लगाएँ कि कोई व्यक्ति किसी अनदेखे आइटम को कैसे रेट कर सकता है।
4
मैट्रिक्स फैक्टराइज़ेशन और अपनी प्रेडिक्शन्स का वैलिडेशन
समझें कि वास्तविक दुनिया के डेटासेट्स की sparsity आपके रिकमेंडेशन्स को कैसे प्रभावित कर सकती है। इस sparsity से निपटने के लिए मैट्रिक्स फैक्टराइज़ेशन की शक्ति का उपयोग करें। latent features के महत्व को जानें और उनसे अपने डेटा को बेहतर समझें। अंत में, आपने जो मॉडल्स सीखे हैं उन्हें परखें और हर अप्रोच को वैलिडेट करना सीखें।
Python में रिकमेंडेशन इंजन बनाना
कोर्स
पूरा

