После прохождения этих курсов я уверенно создаю профессиональные визуализации и дашборды.
Shoebur RahmanСпециалист по закупкам, Giz Bangladesh
Описание курса
В этом курсе вы научитесь строить рекомендательные системы с использованием метода Alternating Least Squares в PySpark. На примере популярных наборов данных MovieLens и Million Songs вы шаг за шагом разберёте логику алгоритма Alternating Least Squares, а также научитесь обучать, тестировать и применять модели ALS для различных типов пользовательских данных.
Предварительные требования
Программа
План курса
1
Рекомендации повсюду
В этой главе вы узнаете, насколько мощными могут быть рекомендательные системы. Вы познакомитесь с ключевыми различиями между системами на основе коллаборативной фильтрации и контентными системами, а также с различными типами явных и неявных данных, которые используются в рекомендательных системах. Кроме того, вы освоите эффективный способ выявления скрытых признаков (латентных факторов), существование которых в пользовательских данных может быть неочевидным.
- Зачем учиться создавать рекомендательные системы?50 XP
- Оцените возможности рекомендательной системы100 XP
- Сила рекомендательных систем50 XP
- Типы рекомендательных систем и типы данных50 XP
- Коллаборативная и контентная фильтрация50 XP
- Коллаборативная и контентная фильтрация — часть II50 XP
- Неявные и явные данные100 XP
- Типы данных рейтингов100 XP
- Применение рекомендательных систем50 XP
- Другие применения рекомендательных систем.50 XP
- Проверка понимания скрытых признаков100 XP
2
Как работает ALS?
В этой главе вы повторите базовые концепции матричного умножения и матричной факторизации, а затем подробно разберёте принцип работы алгоритма Alternating Least Squares: какие аргументы и гиперпараметры он использует для формирования наилучших рекомендаций. Вы также изучите важные техники правильной подготовки данных для ALS в Spark.
3
Рекомендации фильмов
В этой главе вы познакомитесь с набором данных MovieLens. Вы научитесь оценивать его пригодность для использования с ALS, построите полноценную модель ALS с кросс-валидацией и изучите способы оценки её качества. Это станет основой для всех последующих моделей ALS, которые вы будете строить с помощью PySpark.
4
Что делать, если пользовательских оценок нет?
В реальных ситуациях у вас далеко не всегда есть «идеальные» пользовательские данные для построения модели ALS. В этой главе вы научитесь использовать данные о поведении пользователей для «вывода» пользовательских оценок и применять эти оценки для построения рекомендательной системы на основе ALS. На примере набора данных Million Songs и ещё одной версии набора MovieLens вы увидите, как на основе имеющихся данных построить рекомендательную систему с использованием ALS и оценить её качество.
Построение рекомендательных систем с помощью PySpark
Курс
завершён
