Dopo aver seguito questi corsi, mi sento sicuro nel creare visualizzazioni e dashboard professionali
Shoebur RahmanSpecialista degli acquisti, Giz Bangladesh
Descrizione del corso
Ormai ci aspettiamo esperienze personalizzate online: che si tratti di Netflix che consiglia una serie o di un negozio online che suggerisce prodotti da acquistare. Ma come vengono generiti questi suggerimenti? In questo corso imparerai tutto ciò che ti serve per creare il tuo motore di raccomandazione. Con esercizi pratici, prenderai dimestichezza con i due sistemi più comuni: collaborative filtering e content-based filtering. Poi imparerai a misurare somiglianze come la distanza di Jaccard e la similarità coseno, e a valutare la qualità delle raccomandazioni sui dati di test usando la root mean square error (RMSE). Alla fine del corso, avrai costruito il tuo motore di raccomandazione di film e potrai applicare le tue competenze in Python per creare questi sistemi in qualsiasi settore.
Prerequisiti
Programma
Struttura del corso
1
Introduzione ai motori di raccomandazione
Quali problemi risolvono i motori di raccomandazione e quali dati sono più adatti? Scopri quali suggerimenti utili si possono ottenere anche con dati limitati e impara a creare le tue raccomandazioni.
- Che cosa sono i motori di raccomandazione?50 XP
- Motori di raccomandazione vs. previsioni100 XP
- Individuare i dati corretti per i recommendation engine50 XP
- Dati impliciti vs. espliciti100 XP
- Raccomandazioni non personalizzate50 XP
- Introduzione ai consigli non personalizzati100 XP
- Raccomandazioni non personalizzate migliorate100 XP
- Combinare popolarità e recensioni100 XP
- Suggerimenti non personalizzati50 XP
- Trovare tutte le coppie di film100 XP
- Contare le coppie100 XP
- Crea le tue prime raccomandazioni di film100 XP
2
Raccomandazioni basate sui contenuti
Scopri come utilizzare gli attributi degli elementi per generare raccomandazioni. Crea confronti utili tra elementi sia con dati categorici sia con dati testuali. Genera profili per consigliare nuovi elementi agli utenti in base alle loro preferenze passate.
3
Collaborative Filtering
Scopri nuovi elementi da consigliare agli utenti trovando altre persone con gusti simili. Impara a creare raccomandazioni basate sull’utente e sull’elemento—e in quali contesti usarle. Sfrutta i modelli k-nearest neighbors per valorizzare la saggezza della folla e prevedere come qualcuno potrebbe valutare un elemento che non ha ancora visto.
4
Fattorizzazione di matrici e validazione delle previsioni
Comprendi come la sparsità degli insiemi di dati reali possa influenzare le tue raccomandazioni. Sfrutta la potenza della fattorizzazione di matrici per gestire questa sparsità. Esplora il valore delle caratteristiche latenti e usale per comprendere meglio i tuoi dati. Infine, metti alla prova i modelli che hai visto imparando a validare ciascuno degli approcci studiati.
Creare motori di raccomandazione in Python
Corso
completato
