After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Opis kursu
Ten kurs pokaże ci, jak budować silniki rekomendacji przy użyciu algorytmu Alternating Least Squares w PySpark. Korzystając z popularnego zbioru danych MovieLens oraz zbioru Million Songs, kurs przeprowadzi cię krok po kroku przez intuicję stojącą za algorytmem ALS, a także przez kod służący do trenowania, testowania i wdrażania modeli ALS na różnych typach danych klientów.
Wymagania wstępne
Program kursu
Plan kursu
1
Rekomendacje są wszędzie
Ten rozdział pokaże ci, jak duży potencjał mają silniki rekomendacji. Poznasz ważne różnice między silnikami opartymi na filtrowaniu kolaboratywnym a silnikami opartymi na treści, a także różne rodzaje danych niejawnych i jawnych, z których korzystają silniki rekomendacji. Nauczysz się też skutecznej metody wykrywania ukrytych cech (cech latentnych), o których istnieniu możesz nawet nie wiedzieć w swoich zbiorach danych klientów.
- Dlaczego warto nauczyć się budować silniki rekomendacji?50 XP
- Przekonaj się, jak działa silnik rekomendacji100 XP
- Siła silników rekomendacji50 XP
- Typy silników rekomendacji i typy danych50 XP
- Filtrowanie kolaboratywne a filtrowanie treściowe50 XP
- Filtrowanie kolaboratywne a filtrowanie oparte na treści – część II50 XP
- Dane niejawne a jawne100 XP
- Typy danych z ocenami100 XP
- Zastosowania silników rekomendacji50 XP
- Alternatywne zastosowania silników rekomendacji.50 XP
- Sprawdź rozumienie ukrytych cech100 XP
2
Jak działa ALS?
W tym rozdziale przypomnisz sobie podstawowe pojęcia związane z mnożeniem i faktoryzacją macierzy, a następnie zagłębisz się w sposób działania algorytmu Alternating Least Squares – jego argumenty i hiperparametry pozwalające uzyskać jak najlepsze rekomendacje. Poznasz też ważne techniki właściwego przygotowania danych pod kątem ALS w Spark.
3
Rekomendowanie filmów
W tym rozdziale zapoznasz się ze zbiorem danych MovieLens. Przejdziesz przez ocenę jego przydatności do ALS, zbudujesz kompletny model ALS z walidacją krzyżową, a następnie nauczysz się oceniać jego wydajność. To będzie podstawa dla wszystkich kolejnych modeli ALS tworzonych w PySpark.
4
Co zrobić, gdy nie masz ocen klientów?
W większości rzeczywistych sytuacji nie dysponujesz „idealnymi" danymi klientów do zbudowania modelu ALS. Ten rozdział nauczy cię, jak wykorzystać dane o zachowaniach klientów do „wnioskowania" o ich ocenach, a następnie użyć tych wnioskowanych ocen do zbudowania silnika rekomendacji ALS. Korzystając ze zbioru Million Songs Dataset oraz innej wersji zbioru MovieLens, rozdział pokaże ci, jak na podstawie dostępnych danych zbudować silnik rekomendacji oparty na ALS i ocenić jego wydajność.
Budowanie silników rekomendacji w PySpark
Kurs
ukończony
