50% off DataCamp Premium. 700+ courses, half price. Start learning today.
Cursusbeschrijving
We verwachten inmiddels persoonlijke ervaringen online—of het nu Netflix is dat een serie aanraadt of een webwinkel die suggesties doet voor producten die je misschien ook leuk vindt. Maar hoe worden die suggesties gemaakt? In deze cursus leer je alles wat je nodig hebt om je eigen aanbevelingssysteem te bouwen. Met praktische oefeningen ga je aan de slag met de twee meest gebruikte systemen: collaborative filtering en content-based filtering. Vervolgens leer je hoe je overeenkomsten meet, zoals de Jaccard-afstand en cosine similarity, en hoe je de kwaliteit van aanbevelingen op testdata evalueert met de root mean square error (RMSE). Aan het einde van de cursus heb je je eigen film-aanbevelingssysteem gebouwd en kun je je Python-vaardigheden toepassen om dit soort systemen in elke sector te maken.
Vereisten
Lesprogramma
Cursusoverzicht
1
Introductie tot aanbevelingssystemen
Welke problemen lossen aanbevelingssystemen op en welke data zijn er het meest geschikt voor? Ontdek welke zinvolle aanbevelingen je zelfs met beperkte data kunt doen, en leer hoe je je eigen aanbevelingen maakt.
- Wat zijn aanbevelingssystemen?50 XP
- Recommendation engines vs. voorspellingen100 XP
- De juiste gegevens voor recommendation engines herkennen50 XP
- Impliciete vs. expliciete data100 XP
- Niet-gepersonaliseerde aanbevelingen50 XP
- Introductie tot niet-gepersonaliseerde aanbevelingen100 XP
- Verbeterde niet-gepersonaliseerde aanbevelingen100 XP
- Populariteit en reviews combineren100 XP
- Niet-gepersonaliseerde suggesties50 XP
- Alle filmparen vinden100 XP
- Paren tellen100 XP
- Je eerste filmaanbevelingen maken100 XP
2
Content-based aanbevelingen
Ontdek hoe itemeigenschappen kunnen worden gebruikt om aanbevelingen te doen. Maak waardevolle vergelijkingen tussen items met zowel categorische als tekstdata. Genereer profielen om nieuwe items aan te bevelen aan gebruikers op basis van hun eerdere voorkeuren.
3
Collaborative filtering
Ontdek nieuwe items om aan te bevelen door anderen te vinden met vergelijkbare smaak. Leer gebruikers- en itembased aanbevelingen maken—en in welke context je welke gebruikt. Zet k-nearest neighbors-modellen in om de wijsheid van de massa te benutten en te voorspellen hoe iemand een item zou beoordelen dat diegene nog niet heeft gezien.
4
Matrixfactorisatie en je voorspellingen valideren
Begrijp hoe de schaarste van datasets uit de praktijk je aanbevelingen kan beïnvloeden. Benut de kracht van matrixfactorisatie om met deze schaarste om te gaan. Ontdek de waarde van latente kenmerken en gebruik ze om je data beter te begrijpen. Tot slot zet je de modellen die je hebt geleerd op de proef door te leren hoe je elke aanpak valideert.
Aanbevelingssystemen bouwen in Python
Cursus
voltooid
