Lewati ke konten utama

Kursus

Membangun Recommendation Engine dengan PySpark

LanjutanTingkat Keterampilan

Diperbarui 04/2026

Pelajari alat dan teknik untuk memanfaatkan big data Anda sendiri guna memfasilitasi pengalaman positif bagi pengguna Anda.

Mulai Kursus Gratis

SparkMachine Learning

4 jam

15 videos

56 Latihan

4,550 XP

14,141

Pernyataan Pencapaian

Dipercaya oleh para pelajar di ribuan perusahaan

Melatih Tim?

Coba untuk Bisnis

Deskripsi Kursus

Kursus ini akan menunjukkan cara membangun recommendation engine menggunakan Alternating Least Squares di PySpark. Dengan menggunakan himpunan data populer MovieLens dan Million Songs, kursus ini akan memandu Anda langkah demi langkah melalui intuisi algoritma Alternating Least Squares serta kode untuk melatih, menguji, dan menerapkan model ALS pada berbagai jenis data pelanggan.

Persyaratan

Supervised Learning with scikit-learn Introduction to PySpark

1

Rekomendasi Ada di Mana-Mana

Bab ini akan menunjukkan betapa kuatnya recommendation engine, serta memberikan perbedaan penting antara mesin collaborative filtering dan mesin berbasis konten, juga jenis data implisit dan eksplisit yang dapat digunakan oleh recommendation engine. Anda juga akan mempelajari cara yang sangat ampuh untuk mengungkap fitur tersembunyi (latent feature) yang mungkin bahkan tidak Anda ketahui keberadaannya dalam himpunan data pelanggan.

Mengapa perlu mempelajari cara membangun recommendation engine?

Lihat kekuatan mesin rekomendasi

Kekuatan mesin rekomendasi

Jenis-jenis recommendation engine dan jenis data

Collaborative vs content-based filtering

Collaborative vs content-based filtering bagian II

Data implisit vs eksplisit

Tipe data rating

Kegunaan mesin rekomendasi

Penggunaan alternatif dari recommendation engine.

Konfirmasi pemahaman tentang fitur laten

2

Bagaimana cara kerja ALS?

Di bab ini Anda akan meninjau konsep dasar perkalian matriks dan faktorisasi matriks, lalu menyelami cara kerja algoritma Alternating Least Squares serta argumen dan hyperparameter yang digunakannya untuk menghasilkan rekomendasi sebaik mungkin. Anda juga akan mempelajari teknik penting untuk menyiapkan data dengan benar agar siap digunakan oleh ALS di Spark.

Tinjauan perkalian matriks

Perkalian matriks

Perkalian matriks bagian II

Tinjauan faktoriasi matriks

Faktorisasi matriks

Faktorisasi matriks nonnegatif

Bagaimana ALS bergantian untuk menghasilkan prediksi

Mengestimasi rekomendasi

RMSE saat ALS bergantian

Persiapan data untuk Spark ALS

Format benar dan pengguna unik

Memberi id bilangan bulat untuk film

Parameter dan hiperparameter ALS

Bangun model ALS

Bangun evaluator RMSE

Dapatkan RMSE

3

Merekomendasikan Film

Di bab ini Anda akan diperkenalkan pada himpunan data MovieLens. Anda akan mempelajari cara menilai kelayakannya untuk ALS, membangun model ALS lengkap dengan validasi silang, serta mengevaluasi kinerjanya. Ini akan menjadi fondasi bagi semua model ALS berikutnya yang Anda bangun menggunakan PySpark.

Pengantar himpunan data MovieLens

Melihat Data MovieLens

Hitung sparsity

Metode GroupBy dan Filter

Statistik Ringkas MovieLens

Lihat Skema

Pembangunan model ALS pada Data MovieLens

Buat split data train/test dan bangun model ALS Anda

Beritahu Spark cara menyetel model ALS Anda

Bangun pipeline validasi silang Anda

Model Terbaik dan Parameter Model Terbaik

Evaluasi Kinerja Model

Hasilkan prediksi dan hitung RMSE

Menafsirkan RMSE

Apakah rekomendasi masuk akal

4

Bagaimana jika Anda tidak memiliki penilaian pelanggan?

Dalam kebanyakan situasi nyata, Anda tidak akan memiliki data pelanggan yang “sempurna” untuk membangun model ALS. Bab ini akan mengajarkan cara menggunakan data perilaku pelanggan untuk “menyimpulkan” penilaian pelanggan dan menggunakan penilaian tersimpul tersebut untuk membangun recommendation engine ALS. Dengan menggunakan Million Songs Dataset serta versi lain dari himpunan data MovieLens, bab ini akan menunjukkan cara memanfaatkan data yang tersedia untuk membangun recommendation engine menggunakan ALS dan mengevaluasi kinerjanya.

Pengantar Million Songs Dataset

Konfirmasi pemahaman tentang konsep peringkat implisit

Statistik ringkas MSD

Statistik ringkasan berkelompok

Tambahkan nol

Mengevaluasi model peringkat implisit

Tentukan hiperparameter ALS

Membangun model implisit

Menjalankan model ALS implisit dengan validasi silang

Mengekstrak parameter

Tinjauan peringkat biner dan implisit

Kinerja model biner

Rekomendasi dari data biner

Rangkuman kursus

Membangun Recommendation Engine dengan PySpark

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 dengan PySpark 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.