Name: การสร้าง Recommendation Engine ด้วย Python
Rating: 4.810457516339869 (153 reviews)

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

Supervised Learning with scikit-learn

หลักสูตร

โครงร่างคอร์ส

แนะนำ Recommendation Engine

Recommendation engine ถูกออกแบบมาเพื่อแก้ปัญหาอะไร และข้อมูลแบบใดเหมาะสมกับมันมากที่สุด? เรียนรู้วิธีสร้างการแนะนำที่มีประโยชน์แม้ในสถานการณ์ที่ข้อมูลมีจำกัด และฝึกสร้างการแนะนำด้วยตัวเอง

เริ่มบท

การแนะนำแบบ Content-Based

เรียนรู้วิธีใช้คุณลักษณะของไอเทมในการสร้างการแนะนำ สร้างการเปรียบเทียบระหว่างไอเทมโดยใช้ทั้งข้อมูลแบบหมวดหมู่และข้อความ จากนั้นสร้างโปรไฟล์เพื่อแนะนำไอเทมใหม่ให้ผู้ใช้ตามความชอบในอดีต

เริ่มบท

Collaborative Filtering

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

เริ่มบท

Matrix Factorization และการตรวจสอบความถูกต้องของการพยากรณ์

ทำความเข้าใจว่าความเบาบางของชุดข้อมูลในโลกจริงส่งผลต่อการแนะนำอย่างไร ใช้พลังของ matrix factorization เพื่อรับมือกับความเบาบางนี้ สำรวจประโยชน์ของ latent feature และนำมาใช้ทำความเข้าใจข้อมูลได้ดียิ่งขึ้น สุดท้าย นำโมเดลที่ได้เรียนรู้มาทดสอบด้วยการตรวจสอบความถูกต้องของแต่ละแนวทางที่ได้เรียนไป