ข้ามไปยังเนื้อหาหลัก

คอร์ส

การสร้าง Recommendation Engine ด้วย Python

ขั้นกลาง4 ชม.

สร้าง Recommendation Engines ใน Python ด้วยเทคนิค Machine Learning

Python4 ชม.16 วิดีโอ60 แบบฝึกหัด4,850 XP12,895หนังสือรับรองความสำเร็จ

สร้างบัญชีฟรีของคุณ

ดำเนินการต่อด้วย Google
หรือ
เมื่อดำเนินการต่อ ถือว่าคุณยอมรับ ข้อกำหนดการใช้งานและ นโยบายความเป็นส่วนตัว และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บในสหรัฐอเมริกา

ได้รับความไว้วางใจจากผู้เรียนในบริษัทหลายพันแห่ง

กำลังฝึกอบรมทีมอยู่ใช่ไหม?

ทดลองใช้สำหรับองค์กร

รายละเอียดคอร์ส

เราคุ้นเคยกับประสบการณ์ที่ปรับแต่งให้เหมาะกับตัวเองในโลกออนไลน์มากขึ้นเรื่อย ๆ ไม่ว่าจะเป็น Netflix ที่แนะนำซีรีส์ หรือร้านค้าออนไลน์ที่เสนอสินค้าที่คุณอาจสนใจ แต่การแนะนำเหล่านี้เกิดขึ้นได้อย่างไร? ในคอร์สนี้ จะได้เรียนรู้ทุกสิ่งที่จำเป็นสำหรับการสร้าง recommendation engine ของตัวเอง ผ่านแบบฝึกหัดเชิงปฏิบัติ จะได้ทำความเข้าใจระบบที่นิยมใช้มากที่สุด 2 ประเภท ได้แก่ collaborative filtering และ content-based filtering จากนั้นจะได้เรียนรู้การวัดความคล้ายคลึง เช่น Jaccard distance และ cosine similarity รวมถึงการประเมินคุณภาพของการแนะนำบนข้อมูลทดสอบด้วย root mean square error (RMSE) เมื่อจบคอร์สนี้ จะได้สร้าง movie recommendation engine ของตัวเองสำเร็จ และนำทักษะ Python ไปประยุกต์ใช้สร้างระบบเหล่านี้ในอุตสาหกรรมต่าง ๆ ได้

ข้อกำหนดเบื้องต้น

หลักสูตร

โครงร่างคอร์ส

1

แนะนำ Recommendation Engine

Recommendation engine ถูกออกแบบมาเพื่อแก้ปัญหาอะไร และข้อมูลแบบใดเหมาะสมกับมันมากที่สุด? เรียนรู้วิธีสร้างการแนะนำที่มีประโยชน์แม้ในสถานการณ์ที่ข้อมูลมีจำกัด และฝึกสร้างการแนะนำด้วยตัวเอง
เริ่มบท
2

การแนะนำแบบ Content-Based

เรียนรู้วิธีใช้คุณลักษณะของไอเทมในการสร้างการแนะนำ สร้างการเปรียบเทียบระหว่างไอเทมโดยใช้ทั้งข้อมูลแบบหมวดหมู่และข้อความ จากนั้นสร้างโปรไฟล์เพื่อแนะนำไอเทมใหม่ให้ผู้ใช้ตามความชอบในอดีต
เริ่มบท
3

Collaborative Filtering

ค้นพบไอเทมใหม่ที่จะแนะนำให้ผู้ใช้ โดยการหาผู้ใช้อื่นที่มีรสนิยมใกล้เคียงกัน เรียนรู้การสร้างการแนะนำแบบ user-based และ item-based รวมถึงบริบทที่เหมาะสมในการใช้งาน ใช้โมเดล k-nearest neighbors เพื่อนำภูมิปัญญาของกลุ่มผู้ใช้มาพยากรณ์ว่าบุคคลหนึ่งจะให้คะแนนไอเทมที่ยังไม่เคยพบอย่างไร
เริ่มบท
4

Matrix Factorization และการตรวจสอบความถูกต้องของการพยากรณ์

ทำความเข้าใจว่าความเบาบางของชุดข้อมูลในโลกจริงส่งผลต่อการแนะนำอย่างไร ใช้พลังของ matrix factorization เพื่อรับมือกับความเบาบางนี้ สำรวจประโยชน์ของ latent feature และนำมาใช้ทำความเข้าใจข้อมูลได้ดียิ่งขึ้น สุดท้าย นำโมเดลที่ได้เรียนรู้มาทดสอบด้วยการตรวจสอบความถูกต้องของแต่ละแนวทางที่ได้เรียนไป
เริ่มบท

การสร้าง Recommendation Engine ด้วย Python

เรียนคอร์สจบแล้ว

รับใบรับรองความสำเร็จ

ลงทะเบียนเลย

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

เรียนรู้ได้ทุกที่ด้วยคอร์สบนมือถือและโจทย์เขียนโค้ด 5 นาทีประจำวัน