After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
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.
Prasyarat
Kurikulum
Garis besar kursus
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?50 XP
- Lihat kekuatan mesin rekomendasi100 XP
- Kekuatan mesin rekomendasi50 XP
- Jenis-jenis recommendation engine dan jenis data50 XP
- Collaborative vs content-based filtering50 XP
- Collaborative vs content-based filtering bagian II50 XP
- Data implisit vs eksplisit100 XP
- Tipe data rating100 XP
- Kegunaan mesin rekomendasi50 XP
- Penggunaan alternatif dari recommendation engine.50 XP
- Konfirmasi pemahaman tentang fitur laten100 XP
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.
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.
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.
Membangun Recommendation Engine dengan PySpark
Kursus
Selesai
