700+ courses, half price
Descrierea cursului
Ne-am obișnuit cu experiențele personalizate online – fie că Netflix îți recomandă un serial sau un retailer online îți sugerează produse care te-ar putea interesa. Dar cum sunt generate aceste sugestii? În acest curs, vei învăța tot ce ai nevoie pentru a crea propriul tău motor de recomandare. Prin exerciții practice, vei înțelege cele două sisteme cele mai utilizate: filtrarea colaborativă și filtrarea bazată pe conținut. Vei învăța apoi cum să măsori similaritățile – de exemplu, distanța Jaccard și similaritatea cosinus – și cum să evaluezi calitatea recomandărilor pe date de testare folosind eroarea pătratică medie (RMSE). La finalul cursului, vei fi construit propriul tău motor de recomandare de filme și vei putea aplica abilitățile tale de Python pentru a crea astfel de sisteme în orice domeniu.
Cerințe prealabile
Programă
Planul cursului
1
Introducere în motoarele de recomandare
Ce probleme rezolvă motoarele de recomandare și ce date sunt potrivite pentru ele? Vei descoperi ce recomandări valoroase pot fi făcute chiar și cu date limitate și vei învăța cum să creezi propriile tale recomandări.
- Ce sunt motoarele de recomandare?50 XP
- Motoare de recomandare vs. predicții100 XP
- Identificarea datelor potrivite pentru motoarele de recomandare50 XP
- Date implicite vs. date explicite100 XP
- Recomandări nepersonalizate50 XP
- Introducere în recomandările nepersonalizate100 XP
- Recomandări nepersonalizate îmbunătățite100 XP
- Combinarea popularității cu recenziile100 XP
- Sugestii nepersonalizate50 XP
- Găsirea tuturor perechilor de filme100 XP
- Numărarea perechilor100 XP
- Primele tale recomandări de filme100 XP
2
Recomandări bazate pe conținut
Descoperă cum pot fi folosite atributele unui articol pentru a face recomandări. Creează comparații relevante între articole folosind atât date categorice, cât și date text. Generează profiluri pentru a recomanda articole noi utilizatorilor, pe baza preferințelor lor anterioare.
3
Filtrare colaborativă
Descoperă articole noi de recomandat utilizatorilor, găsind alți utilizatori cu gusturi similare. Învață să creezi recomandări bazate pe utilizatori și pe articole – și în ce context ar trebui folosite. Folosește modele k-nearest neighbors pentru a valorifica experiența colectivă și a prezice cum ar putea cineva să evalueze un articol pe care nu l-a întâlnit încă.
4
Factorizarea matricelor și validarea predicțiilor
Înțelege cum poate afecta raritatea seturilor de date reale calitatea recomandărilor tale. Valorifică puterea factorizării matricelor pentru a gestiona această raritate. Explorează valoarea caracteristicilor latente și folosește-le pentru a înțelege mai bine datele. În final, pune la încercare modelele descoperite, învățând cum să validezi fiecare abordare studiată.
Construirea motoarelor de recomandare în Python
Curs
finalizat
