これらのコースを受講したことで、プロフェッショナルなビジュアライゼーションやダッシュボードを自信を持って作成できるようになりました
Shoebur Rahman調達スペシャリスト、Giz Bangladesh
コースの説明
Netflixが番組を勧めてくれたり、オンライン小売で「一緒に購入されている商品」が提案されたりと、私たちは今やパーソナライズされた体験を当然のように受け止めています。では、これらの提案はどのように作られているのでしょうか？このコースでは、自分でレコメンデーションエンジンを作るために必要な知識を一通り学びます。実践的な演習を通じて、最も一般的な2つの手法である協調フィルタリングとコンテンツベースフィルタリングを理解します。次に、Jaccard距離やコサイン類似度といった類似度の測り方を学び、RMSE（root mean square error）を使ってテストデータ上で推薦の質を評価します。コースの最後には、映画のレコメンデーションエンジンを自作でき、Pythonスキルを活かしてあらゆる業界向けに同様のシステムを構築できるようになります。
前提条件
カリキュラム
コース概要
1
レコメンデーションエンジン入門
レコメンデーションエンジンはどのような課題を解決し、どのようなデータに適しているのでしょうか。限られたデータからでも得られる有益な示唆を見極め、自分自身のレコメンデーションを作成する方法を学びます。
2
コンテンツベースのレコメンデーション
アイテムの属性を使ってどのようにレコメンドを行うかを学びます。カテゴリデータやテキストデータの両方で、アイテム同士の価値ある比較を作成します。ユーザーの過去の嗜好に基づいてユーザープロファイルを生成し、新しいアイテムをおすすめできるようにします。
3
協調フィルタリング
似た嗜好を持つ他のユーザーを見つけることで、新たにレコメンドすべきアイテムを発見します。ユーザーベースとアイテムベースのレコメンデーションを学び、どの文脈で使い分けるべきかを理解します。k近傍法モデルを使って集合知を活用し、まだ見ていないアイテムに対するユーザーの評価を予測します。
4
行列分解と予測の検証
実データセットの疎性がレコメンデーションに与える影響を理解します。行列分解の力を活用して疎性に対処しましょう。潜在特徴の有用性を探り、データ理解を深めます。最後に、学んだ各アプローチをどのように検証するかを学び、モデルを実際に評価します。
Pythonでつくるレコメンデーションエンジン
コース修了
