After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Descrizione del corso
In questo corso scoprirai come costruire motori di raccomandazione usando Alternating Least Squares in PySpark. Usando i popolari dataset MovieLens e Million Songs, il corso ti guiderà passo dopo passo nell’intuizione dell’algoritmo Alternating Least Squares e nel codice per addestrare, testare e implementare modelli ALS su vari tipi di dati dei clienti.
Prerequisiti
Curriculum
Programma del corso
1
Le raccomandazioni sono ovunque
Questo capitolo ti mostrerà quanto possono essere potenti i motori di raccomandazione e chiarirà le differenze tra motori di collaborative filtering e motori basati sui contenuti, oltre ai diversi tipi di dati impliciti ed espliciti che possono utilizzare. Imparerai anche un metodo molto efficace per scoprire caratteristiche nascoste (latent features) che potresti non sapere nemmeno esistano nei tuoi insiemi di dati dei clienti.
- Perché imparare a costruire motori di raccomandazione?50 XP
- Scopri la potenza di un motore di raccomandazione100 XP
- La potenza dei motori di raccomandazione50 XP
- Tipi di motori di raccomandazione e tipi di dati50 XP
- Collaborative vs content-based filtering50 XP
- Collaborative vs content-based filtering parte II50 XP
- Dati impliciti vs espliciti100 XP
- Tipi di valutazioni100 XP
- Utilizzi dei motori di raccomandazione50 XP
- Usi alternativi dei motori di raccomandazione.50 XP
- Conferma la comprensione delle caratteristiche latenti100 XP
2
Come funziona ALS?
In questo capitolo ripasserai i concetti di base della moltiplicazione e della fattorizzazione di matrici e approfondirai come funziona l’algoritmo Alternating Least Squares, quali argomenti e iperparametri utilizza per restituire le migliori raccomandazioni possibili. Imparerai inoltre tecniche importanti per preparare correttamente i dati per ALS in Spark.
3
Raccomandare film
In questo capitolo ti verrà presentato il dataset MovieLens. Vedrai come valutarne l’idoneità per ALS, costruire un modello ALS completo con cross-validation e imparare a valutarne le prestazioni. Questo sarà la base per tutti i modelli ALS che costruirai in seguito usando PySpark.
4
E se non hai le valutazioni dei clienti?
Nella maggior parte dei casi reali, non avrai a disposizione dati dei clienti “perfetti” per costruire un modello ALS. Questo capitolo ti insegnerà come usare i dati di comportamento dei clienti per “inferire” le valutazioni e utilizzare tali valutazioni inferite per creare un motore di raccomandazione con ALS. Usando il Million Songs Dataset e un’altra versione del dataset MovieLens, vedrai come sfruttare i dati disponibili per costruire un motore di raccomandazione con ALS e valutarne le prestazioni.
Costruire motori di raccomandazione con PySpark
Corso
completato
