Depois de fazer esses cursos, sinto-me confiante para criar visualizações e painéis profissionais
Shoebur RahmanEspecialista em compras, Giz Bangladesh
Descrição do curso
Hoje esperamos experiências personalizadas online — seja a Netflix sugerindo uma série ou uma loja virtual recomendando itens relacionados. Mas como essas sugestões são geradas? Neste curso, você vai aprender tudo o que precisa para criar seu próprio mecanismo de recomendação. Com exercícios práticos, você vai dominar os dois sistemas mais comuns: filtragem colaborativa e filtragem baseada em conteúdo. Depois, vai aprender a medir similaridades como a distância de Jaccard e a similaridade do cosseno, e a avaliar a qualidade das recomendações em dados de teste usando o erro quadrático médio (RMSE). Ao final do curso, você terá construído seu próprio mecanismo de recomendação de filmes e poderá aplicar suas habilidades em Python para criar esses sistemas em qualquer setor.
Pré-requisitos
Programa de estudos
Conteúdo do curso
1
Introdução a mecanismos de recomendação
Quais problemas os mecanismos de recomendação resolvem e quais dados são mais adequados para eles? Entenda quais recomendações úteis podem ser feitas mesmo com dados limitados e aprenda a criar suas próprias recomendações.
- O que são mecanismos de recomendação?50 XP
- Motores de recomendação vs. previsões100 XP
- Identificando os dados corretos para motores de recomendação50 XP
- Dados implícitos vs. explícitos100 XP
- Recomendações não personalizadas50 XP
- Introdução às recomendações não personalizadas100 XP
- Recomendações não personalizadas aprimoradas100 XP
- Combinando popularidade e avaliações100 XP
- Sugestões não personalizadas50 XP
- Encontrando todos os pares de filmes100 XP
- Contando os pares100 XP
- Fazendo suas primeiras recomendações de filmes100 XP
2
Recomendações baseadas em conteúdo
Descubra como atributos dos itens podem ser usados para fazer recomendações. Crie comparações valiosas entre itens com dados categóricos e de texto. Gere perfis para recomendar novos itens a usuários com base em suas preferências anteriores.
3
Filtragem colaborativa
Descubra novos itens para recomendar a usuários encontrando outras pessoas com gostos semelhantes. Aprenda a fazer recomendações baseadas em usuário e baseadas em item — e em que contexto cada uma deve ser usada. Use modelos de k-vizinhos mais próximos para aproveitar a sabedoria da multidão e prever como alguém pode avaliar um item que ainda não conhece.
4
Fatoração de matrizes e validação das previsões
Entenda como a esparsidade de conjuntos de dados do mundo real pode impactar suas recomendações. Aproveite o poder da fatoração de matrizes para lidar com essa esparsidade. Explore o valor de recursos latentes e use-os para entender melhor seus dados. Por fim, coloque os modelos em prova aprendendo a validar cada uma das abordagens que você estudou.
Construindo mecanismos de recomendação em Python
Curso
concluído
