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
このコースでは、PySpark の Alternating Least Squares を使ってレコメンデーションエンジンを構築する方法を学びます。人気の MovieLens データセットと Million Songs データセットを用い、Alternating Least Squares アルゴリズムの直感的な考え方から、さまざまな種類の顧客データに対して ALS モデルを学習・テスト・実装するコードまで、段階的に解説します。
前提条件
カリキュラム
コース概要
1
Recommendations はあらゆるところにある
この章では、レコメンデーションエンジンの強力さを示し、協調フィルタリングとコンテンツベースのエンジンの重要な違い、そしてレコメンデーションエンジンが利用できる暗黙的データと明示的データの種類を整理します。さらに、顧客データセットに存在するかもしれない隠れた特徴（潜在特徴）を見つけ出す非常に有効な方法についても学びます。
2
ALS はどのように機能するのか
この章では、行列の乗算と行列分解の基本を復習し、Alternating Least Squares アルゴリズムがどのように動作するのか、最適なレコメンデーションを返すためにどのような引数やハイパーパラメーターを用いるのかを掘り下げます。あわせて、Spark で ALS を適用するためにデータを適切に前処理する重要な手法も学びます。
3
映画をレコメンドする
この章では MovieLens データセットを紹介します。ALS に適しているかを評価する手順を確認し、クロスバリデーション付きの ALS モデルを一から構築し、その性能を評価する方法を学びます。これは、今後 PySpark を使って構築するすべての ALS モデルの基盤となります。
4
顧客の評価がない場合はどうするか
現実の多くの場面では、ALS モデルの構築に理想的な顧客データは手に入りません。この章では、顧客の行動データから評価を「推定」し、その推定評価を使って ALS のレコメンデーションエンジンを構築する方法を学びます。Million Songs データセットと別バージョンの MovieLens データセットを使い、手元のデータを活用して ALS によるレコメンデーションエンジンを構築し、その性能を評価する方法を示します。
PySpark で作る Recommendation Engines
コース修了
