After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Deskripsi Kursus
Kita terbiasa dengan pengalaman daring yang dipersonalisasi—mulai dari Netflix yang merekomendasikan tayangan hingga peritel online yang menyarankan barang yang mungkin ingin Anda beli. Namun bagaimana saran-saran tersebut dihasilkan? Dalam kursus ini, Anda akan mempelajari semua yang perlu diketahui untuk membuat recommendation engine Anda sendiri. Melalui latihan praktis, Anda akan memahami dua sistem paling umum: collaborative filtering dan content-based filtering. Selanjutnya, Anda akan belajar mengukur kemiripan seperti Jaccard distance dan cosine similarity, serta mengevaluasi kualitas rekomendasi pada data uji menggunakan root mean square error (RMSE). Di akhir kursus, Anda akan membangun recommendation engine film Anda sendiri dan mampu menerapkan keterampilan Python Anda untuk membuat sistem ini di berbagai industri.
Prasyarat
Kurikulum
Garis besar kursus
1
Pengantar Recommendation Engine
Masalah apa yang dirancang untuk diselesaikan oleh recommendation engine dan data seperti apa yang paling cocok untuknya? Ketahui rekomendasi bermakna apa yang dapat dibuat bahkan dengan data terbatas, dan pelajari cara membuat rekomendasi Anda sendiri.
- Apa itu recommendation engine?50 XP
- Recommendation engine vs. prediksi100 XP
- Mengidentifikasi data yang tepat untuk recommendation engine50 XP
- Data implisit vs. eksplisit100 XP
- Rekomendasi nonpersonal50 XP
- Pengantar rekomendasi non-personal100 XP
- Rekomendasi non-personal yang lebih baik100 XP
- Menggabungkan popularitas dan ulasan100 XP
- Saran non-personal50 XP
- Menemukan semua pasangan film100 XP
- Menghitung jumlah pasangan100 XP
- Membuat rekomendasi film pertama Anda100 XP
2
Rekomendasi Berbasis Konten
Pelajari bagaimana atribut item dapat digunakan untuk membuat rekomendasi. Buat perbandingan yang bernilai antara item dengan data kategorikal maupun teks. Bangun profil untuk merekomendasikan item baru kepada pengguna berdasarkan preferensi masa lalu mereka.
3
Collaborative Filtering
Temukan item baru untuk direkomendasikan kepada pengguna dengan mencari orang lain yang memiliki selera serupa. Pelajari cara membuat rekomendasi berbasis pengguna dan berbasis item—serta dalam konteks apa keduanya sebaiknya digunakan. Gunakan model k-nearest neighbors untuk memanfaatkan kebijaksanaan kolektif dan memprediksi bagaimana seseorang mungkin memberi nilai pada item yang belum pernah mereka temui.
4
Faktorisasi Matriks dan Validasi Prediksi Anda
Pahami bagaimana kelangkaan (sparsity) pada himpunan data dunia nyata dapat memengaruhi rekomendasi Anda. Manfaatkan kekuatan faktorisasi matriks untuk menangani kelangkaan ini. Jelajahi nilai fitur laten dan gunakan fitur tersebut untuk lebih memahami data Anda. Terakhir, uji model yang telah Anda pelajari dengan mempelajari cara memvalidasi setiap pendekatan yang telah dipelajari.
Membangun Recommendation Engine di Python
Kursus
Selesai
