After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Kursbeskrivning
Den här kursen visar dig hur du bygger rekommendationsmotorer med Alternating Least Squares i PySpark. Med hjälp av de populära datamängderna MovieLens och Million Songs går kursen igenom intuitionen bakom ALS-algoritmen steg för steg, samt koden för att träna, testa och implementera ALS-modeller på olika typer av kunddata.
Förkunskapskrav
Kursplan
Kursöversikt
1
Rekommendationer finns överallt
Det här kapitlet visar hur kraftfulla rekommendationsmotorer kan vara och klargör skillnaderna mellan kollaborativa filtreringsmotorer och innehållsbaserade motorer, samt de olika typerna av implicit och explicit data som rekommendationsmotorer kan använda. Du lär dig också en effektiv metod för att hitta dolda egenskaper – så kallade latenta särdrag – som kanske inte är uppenbara i kunddatamängder.
- Varför lära sig bygga rekommendationsmotorer?50 XP
- Upplev kraften hos en rekommendationsmotor100 XP
- Rekommendationsmotorers kraft50 XP
- Typer av rekommendationsmotorer och datatyper50 XP
- Kollaborativ filtrering vs innehållsbaserad filtrering50 XP
- Kollaborativ vs. innehållsbaserad filtrering, del II50 XP
- Implicit vs explicit data100 XP
- Datatyper för betyg100 XP
- Användningsområden för rekommendationsmotorer50 XP
- Alternativa användningsområden för rekommendationsmotorer.50 XP
- Förstå latenta särdrag100 XP
2
Hur fungerar ALS?
I det här kapitlet går du igenom grundläggande begrepp inom matrixmultiplikation och matrixfaktorisering och fördjupar dig i hur ALS-algoritmen fungerar samt vilka argument och hyperparametrar den använder för att ge bästa möjliga rekommendationer. Du lär dig också viktiga tekniker för att förbereda dina data för ALS i Spark.
3
Filmrekommendationer
I det här kapitlet introduceras du till MovieLens-datamängden. Du går igenom hur du bedömer dess lämplighet för ALS, bygger en fullständig korsvaliderad ALS-modell och lär dig hur du utvärderar modellens prestanda. Det här blir grunden för alla ALS-modeller du sedan bygger med PySpark.
4
Vad gör du om du saknar kundbetyg?
I de flesta verkliga situationer har du inte tillgång till "perfekta" kunddata för att bygga en ALS-modell. Det här kapitlet lär dig hur du använder kundbeteendedata för att härleda kundbetyg och sedan använda dessa härledda betyg för att bygga en ALS-rekommendationsmotor. Med hjälp av Million Songs-datamängden och en annan version av MovieLens-datamängden visar kapitlet hur du utnyttjar tillgängliga data för att bygga och utvärdera en rekommendationsmotor med ALS.
Bygg rekommendationsmotorer med PySpark
Kurs
slutförd
