Vai al contenuto principale

Corso

Creare motori di raccomandazione in Python

IntermedioLivello di competenza

Aggiornato 04/2024

Impara a creare motori di raccomandazione in Python usando tecniche di machine learning.

Inizia il corso gratis

PythonMachine Learning

4 h

16 video

60 Esercizi

4,850 XP

12,783

Attestato di conseguimento

Preferito dagli studenti di migliaia di aziende

Formare un team?

Prova per il Business

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

Supervised Learning with scikit-learn

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?

Motori di raccomandazione vs. previsioni

Individuare i dati corretti per i recommendation engine

Dati impliciti vs. espliciti

Raccomandazioni non personalizzate

Introduzione ai consigli non personalizzati

Raccomandazioni non personalizzate migliorate

Combinare popolarità e recensioni

Suggerimenti non personalizzati

Trovare tutte le coppie di film

Contare le coppie

Crea le tue prime raccomandazioni di film

Inizia il capitolo

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.

Introduzione ai consigli basati sui contenuti

Perché usare i modelli content-based?

Creare dati basati sui contenuti

Capire i dati content-based

Creare raccomandazioni basate sui contenuti

Confrontare singoli film con la similarità di Jaccard

Confrontare tutti i tuoi film in una volta sola

Creare raccomandazioni basate sui generi dei film

Somiglianze basate sul testo

Istanzia il modello TF-IDF

Creare il DataFrame TF-IDF

Confrontare tutti i tuoi film con TF-IDF

Creare raccomandazioni con TF-IDF

Raccomandazioni basate sul profilo utente

Crea i profili utente

Raccomandazioni basate sul profilo utente

Inizia il capitolo

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.

Collaborative filtering

Fare il pivot dei tuoi dati

Trovare utenti simili

Sfide con i valori mancanti

Compensare i dati incompleti

Trovare somiglianze

Da user-based a item-based

Valutazioni di film simili e diverse

Trovare film apprezzati in modo simile

Uso dei K-nearest neighbors

Passo dopo passo con K-nearest neighbors

Mettere in forma i dati per KNN

Previsioni con KNN

Basato sugli articoli o sugli utenti

Confronto tra modelli item-based e user-based

Quale scegliere?

Inizia il capitolo

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.

Gestire la scarsità

Sparsità della matrice

Dati limitati nelle tue righe

Moltiplicazione di matrici

Fattorizzazione di matrici

Identificare le caratteristiche latenti

Perdita di informazione nella fattorizzazione

Decomposizione ai valori singolari (SVD)

Normalizza i tuoi dati

Scomporre la tua matrice

Ricalcolare la matrice

Fare raccomandazioni con SVD

Validare le tue previsioni

Calcolare l’RMSE

Confrontare i metodi di raccomandazione

Inizia il capitolo

Creare motori di raccomandazione in Python

Corso
completato

Ottieni Attestato di conseguimento

Aggiungi questa certificazione al tuo profilo LinkedIn, al curriculum o al CV
Condividila sui social e nella valutazione delle tue performanceIscriviti ora

Unisciti a oltre 19 milioni di studenti e inizia Creare motori di raccomandazione in Python oggi!

Aumenta le tue competenze sui dati con l'app di DataCamp

Avanza ovunque ti trovi con i nostri corsi per dispositivi mobili e le nostre sfide di programmazione quotidiane da 5 minuti.