Lewati ke konten utama

Kursus

Membangun Recommendation Engine di Python

MenengahTingkat Keterampilan

Diperbarui 04/2024

Pelajari cara membangun mesin rekomendasi menggunakan Python dengan teknik pembelajaran mesin.

Mulai Kursus Gratis

PythonMachine Learning

4 jam

16 videos

60 Latihan

4,850 XP

12,783

Pernyataan Pencapaian

Dipercaya oleh para pelajar di ribuan perusahaan

Melatih Tim?

Coba untuk Bisnis

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.

Persyaratan

Supervised Learning with scikit-learn

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?

Recommendation engine vs. prediksi

Mengidentifikasi data yang tepat untuk recommendation engine

Data implisit vs. eksplisit

Rekomendasi nonpersonal

Pengantar rekomendasi non-personal

Rekomendasi non-personal yang lebih baik

Menggabungkan popularitas dan ulasan

Saran non-personal

Menemukan semua pasangan film

Menghitung jumlah pasangan

Membuat rekomendasi film pertama Anda

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.

Pengantar rekomendasi berbasis konten

Mengapa menggunakan model berbasis konten?

Membuat data berbasis konten

Memahami data berbasis konten

Membuat rekomendasi berbasis konten

Membandingkan film secara individual dengan kesamaan Jaccard

Membandingkan semua film Anda sekaligus

Membuat rekomendasi berdasarkan genre film

Kesamaan berbasis teks

Membuat instance model TF-IDF

Membuat DataFrame TF-IDF

Membandingkan semua film Anda dengan TF-IDF

Membuat rekomendasi dengan TF-IDF

Rekomendasi profil pengguna

Bangun profil pengguna

Rekomendasi berdasarkan profil pengguna

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.

Collaborative filtering

Memutar (pivot) data Anda

Menemukan pengguna yang serupa

Tantangan dengan nilai hilang

Mengompensasi data yang tidak lengkap

Menemukan kemiripan

Dari berbasis pengguna ke berbasis item

Penilaian film yang mirip dan berbeda

Menemukan film yang disukai secara serupa

Menggunakan K-nearest neighbors

Melangkah melalui K-nearest neighbors

Menyiapkan data untuk KNN

Prediksi KNN

Berbasis item atau berbasis pengguna

Membandingkan model berbasis item dan berbasis pengguna

Mana yang sebaiknya Anda pilih?

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.

Menangani kelangkaan data

Kejarangan matriks

Data terbatas pada baris Anda

Perkalian matriks

Faktorisasi matriks

Mengidentifikasi fitur laten

Kehilangan informasi dalam faktorisasi

Dekomposisi nilai singular (SVD)

Normalisasi data Anda

Mendekompisisikan matriks Anda

Menghitung ulang matriks

Membuat rekomendasi dengan SVD

Memvalidasi prediksi Anda

Menghitung RMSE

Membandingkan metode rekomendasi

Membangun Recommendation Engine di Python

Kursus
Selesai

Memperoleh Surat Keterangan Prestasi

Tambahkan kredensial ini ke profil LinkedIn, resume, atau CV Anda
Bagikan di media sosial dan dalam penilaian kinerja AndaDaftar sekarang

Bergabung dengan 19 juta pelajar dan mulai Membangun Recommendation Engine di Python Hari Ini!

Kembangkan keterampilan data Anda dengan DataCamp untuk Mobile

Buat kemajuan di mana saja dengan kursus mobile kami dan tantangan coding harian 5 menit.