After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Cursusbeschrijving
In deze cursus leer je hoe je aanbevelingssystemen bouwt met Alternating Least Squares in PySpark. Met de populaire MovieLens-gegevensset en de Million Songs-gegevensset doorloop je stap voor stap de intuïtie achter het Alternating Least Squares-algoritme en de code om ALS-modellen te trainen, testen en te implementeren op verschillende soorten klantgegevens.
Vereisten
Curriculum
Cursusoverzicht
1
Aanbevelingen zijn overal
In dit hoofdstuk zie je hoe krachtig aanbevelingssystemen kunnen zijn en leer je het verschil tussen collaborative filtering-systemen en contentgebaseerde systemen, evenals de verschillende typen impliciete en expliciete gegevens die aanbevelingssystemen kunnen gebruiken. Je ontdekt ook een krachtige manier om verborgen kenmerken (latente kenmerken) bloot te leggen waarvan je misschien niet eens wist dat ze in klantgegevenssets aanwezig zijn.
- Waarom leren hoe je aanbevelingssystemen bouwt?50 XP
- Ontdek de kracht van een aanbevelingsmachine100 XP
- De kracht van aanbevelingssystemen50 XP
- Soorten recommendation engines en datatypes50 XP
- Collaborative filtering vs content-based filtering50 XP
- Collaborative vs content-based filtering deel II50 XP
- Impliciete vs expliciete data100 XP
- Gegevenstypen van beoordelingen100 XP
- Toepassingen van aanbevelingssystemen50 XP
- Andere toepassingen van aanbevelingssystemen.50 XP
- Begrip van latente features bevestigen100 XP
2
Hoe werkt ALS?
In dit hoofdstuk herhaal je de basisbegrippen van matrixvermenigvuldiging en matrixfactorisatie, en duik je in hoe het Alternating Least Squares-algoritme werkt en welke argumenten en hyperparameters het gebruikt om de best mogelijke aanbevelingen te geven. Je leert ook belangrijke technieken om je gegevens in Spark goed voor te bereiden voor ALS.
3
Films aanbevelen
In dit hoofdstuk maak je kennis met de MovieLens-gegevensset. Je bekijkt hoe je de geschiktheid ervan voor ALS beoordeelt, bouwt er een volledig gecrossvalideerd ALS-model op, en leert hoe je de prestaties evalueert. Dit vormt de basis voor alle volgende ALS-modellen die je met PySpark bouwt.
4
Wat als je geen klantbeoordelingen hebt?
In de meeste praktijksituaties heb je geen "perfecte" klantgegevens beschikbaar om een ALS-model te bouwen. In dit hoofdstuk leer je hoe je klantgedragsgegevens gebruikt om klantbeoordelingen te "afleiden" en die afgeleide beoordelingen in te zetten om een ALS-aanbevelingssysteem te bouwen. Met de Million Songs-gegevensset en een andere versie van de MovieLens-gegevensset leer je hoe je met de gegevens die je hebt een aanbevelingssysteem met ALS bouwt en de prestaties ervan evalueert.
Aanbevelingssystemen bouwen met PySpark
Cursus
voltooid
