Efter att ha gått de här kurserna känner jag mig trygg med att skapa professionella visualiseringar och dashboards
Shoebur RahmanInköpsspecialist, Giz Bangladesh
Kursbeskrivning
Vi har vant oss vid personanpassade upplevelser på nätet – oavsett om det är Netflix som föreslår en serie eller en webbutik som tipsar om produkter du kanske gillar. Men hur genereras dessa förslag? I den här kursen lär du dig allt du behöver veta för att bygga din egen rekommendationsmotor. Genom praktiska övningar bekantar du dig med de två vanligaste systemen: kollaborativ filtrering och innehållsbaserad filtrering. Därefter lär du dig att mäta likheter med Jaccard-avstånd och cosinuslikhet, samt att utvärdera rekommendationernas kvalitet på testdata med hjälp av rotvärdet av medelkvadratfelet (RMSE). När kursen är klar har du byggt din egen filmrekommendationsmotor och kan använda dina Python-kunskaper för att skapa liknande system inom valfri bransch.
Förkunskapskrav
Kursplan
Kursöversikt
1
Introduktion till rekommendationsmotorer
Vilka problem är rekommendationsmotorer utformade för att lösa, och vilken data lämpar sig bäst för dem? Lär dig hur du kan dra meningsfulla slutsatser även med begränsad data, och hur du skapar dina egna rekommendationer.
- Vad är rekommendationsmotorer?50 XP
- Rekommendationsmotorer vs. prediktioner100 XP
- Identifiera rätt data för rekommendationssystem50 XP
- Implicit och explicit data100 XP
- Icke-personaliserade rekommendationer50 XP
- Introduktion till icke-personaliserade rekommendationer100 XP
- Förbättrade icke-personaliserade rekommendationer100 XP
- Kombinera popularitet och recensioner100 XP
- Icke-personaliserade förslag50 XP
- Hitta alla filmpar100 XP
- Räkna ihop paren100 XP
- Dina första filmrekommendationer100 XP
2
Innehållsbaserade rekommendationer
Utforska hur objektattribut kan användas för att ge rekommendationer. Skapa värdefulla jämförelser mellan objekt med hjälp av både kategorisk data och textdata. Generera profiler för att rekommendera nya objekt till användare baserat på deras tidigare preferenser.
3
Kollaborativ filtrering
Hitta nya objekt att rekommendera till användare genom att identifiera andra med liknande smak. Lär dig att göra användarbaserade och objektbaserade rekommendationer – och i vilket sammanhang de bör användas. Använd k-nearest neighbors-modeller för att dra nytta av kollektiv kunskap och förutsäga hur någon kan komma att betygsätta ett objekt de ännu inte har stött på.
4
Matrisfaktorisering och validering av dina förutsägelser
Förstå hur glesheten i verkliga datamängder kan påverka dina rekommendationer. Dra nytta av matrisfaktorisering för att hantera denna gleshet. Utforska värdet av latenta särdrag och använd dem för att bättre förstå din data. Avslutningsvis sätter du de modeller du har lärt dig på prov genom att validera vart och ett av de tillvägagångssätt som kursen har behandlat.
Bygga rekommendationsmotorer i Python
Kurs
slutförd
