ข้ามไปยังเนื้อหาหลัก

บ้าน Python

Courses

Building Recommendation Engines in Python

ระดับกลางระดับทักษะ

อัปเดตแล้ว 04/2567

Learn to build recommendation engines in Python using machine learning techniques.

เริ่มเรียนหลักสูตรฟรี

PythonMachine Learning4 ชม.16 videos60 Exercises4,850 เอ็กซ์พี12,695คำแถลงแสดงความสำเร็จ

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

เป็นที่ชื่นชอบของผู้เรียนในบริษัทหลายพันแห่ง

ฝึกอบรมบุคคลตั้งแต่ 2 คนขึ้นไป?

ลองใช้ DataCamp for Business

คำอธิบายรายวิชา

We’ve come to expect personalized experiences online—whether it’s Netflix recommending a show or an online retailer suggesting items you might also like to purchase. But how are these suggestions generated? In this course, you’ll learn everything you need to know to create your own recommendation engine. Through hands-on exercises, you’ll get to grips with the two most common systems, collaborative filtering and content-based filtering. Next, you’ll learn how to measure similarities like the Jaccard distance and cosine similarity, and how to evaluate the quality of recommendations on test data using the root mean square error (RMSE). By the end of this course, you’ll have built your very own movie recommendation engine and be able to apply your Python skills to create these systems for any industry.

ข้อกำหนดเบื้องต้น

Supervised Learning with scikit-learn

1

Introduction to Recommendation Engines

What problems are recommendation engines designed to solve and what data are best suited for them? Discern what insightful recommendations can be made even with limited data, and learn how to create your own recommendations.

What are recommendation engines?

50 เอ็กซ์พี

Recommendation engines vs. predictions

100 เอ็กซ์พี

Identifying the correct data for recommendation engines

50 เอ็กซ์พี

Implicit vs. explicit data

100 เอ็กซ์พี

Non-personalized recommendations

50 เอ็กซ์พี

Introduction to non-personalized recommendations

100 เอ็กซ์พี

Improved non-personalized recommendations

100 เอ็กซ์พี

Combining popularity and reviews

100 เอ็กซ์พี

Non-personalized suggestions

50 เอ็กซ์พี

Finding all pairs of movies

100 เอ็กซ์พี

Counting up the pairs

100 เอ็กซ์พี

Making your first movie recommendations

100 เอ็กซ์พี

เริ่มบท

2

Content-Based Recommendations

Discover how item attributes can be used to make recommendations. Create valuable comparisons between items with both categorical and text data. Generate profiles to recommend new items for users based on their past preferences.

Intro to content-based recommendations

50 เอ็กซ์พี

Why use content-based models?

50 เอ็กซ์พี

Creating content-based data

100 เอ็กซ์พี

Understanding the content-based data

50 เอ็กซ์พี

Making content-based recommendations

50 เอ็กซ์พี

Comparing individual movies with Jaccard similarity

100 เอ็กซ์พี

Comparing all your movies at once

100 เอ็กซ์พี

Making recommendations based on movie genres

100 เอ็กซ์พี

Text-based similarities

50 เอ็กซ์พี

Instantiate the TF-IDF model

100 เอ็กซ์พี

Creating the TF-IDF DataFrame

100 เอ็กซ์พี

Comparing all your movies with TF-IDF

100 เอ็กซ์พี

Making recommendations with TF-IDF

100 เอ็กซ์พี

User profile recommendations

50 เอ็กซ์พี

Build the user profiles

100 เอ็กซ์พี

User profile based recommendations

100 เอ็กซ์พี

เริ่มบท

3

Collaborative Filtering

Discover new items to recommend to users by finding others with similar tastes. Learn to make user-based and item-based recommendations—and in what context they should be used. Use k-nearest neighbors models to leverage the wisdom of the crowd and predict how someone might rate an item they haven’t yet encountered.

Collaborative filtering

50 เอ็กซ์พี

Pivoting your data

100 เอ็กซ์พี

Finding similar users

50 เอ็กซ์พี

Challenges with missing values

100 เอ็กซ์พี

Compensating for incomplete data

100 เอ็กซ์พี

Finding similarities

50 เอ็กซ์พี

User-based to item-based

100 เอ็กซ์พี

Similar and different movie ratings

100 เอ็กซ์พี

Finding similarly liked movies

100 เอ็กซ์พี

Using K-nearest neighbors

50 เอ็กซ์พี

Stepping through K-nearest neighbors

100 เอ็กซ์พี

Getting KNN data in shape

100 เอ็กซ์พี

KNN predictions

100 เอ็กซ์พี

Item-based or user-based

50 เอ็กซ์พี

Comparing item-based and user-based models

100 เอ็กซ์พี

Which should you choose?

100 เอ็กซ์พี

เริ่มบท

4

Matrix Factorization and Validating Your Predictions

Understand how the sparsity of real-world datasets can impact your recommendations. Leverage the power of matrix factorization to deal with this sparsity. Explore the value of latent features and use them to better understand your data. Finally, put the models you’ve discovered to the test by learning how to validate each of the approaches you’ve learned.

Dealing with sparsity

50 เอ็กซ์พี

Matrix sparsity

100 เอ็กซ์พี

Limited data in your rows

100 เอ็กซ์พี

Matrix multiplication

50 เอ็กซ์พี

Matrix factorization

50 เอ็กซ์พี

Identifying latent features

50 เอ็กซ์พี

Information loss in factorization

100 เอ็กซ์พี

Singular value decomposition (SVD)

50 เอ็กซ์พี

Normalize your data

100 เอ็กซ์พี

Decomposing your matrix

100 เอ็กซ์พี

Recalculating the matrix

100 เอ็กซ์พี

Making recommendations with SVD

100 เอ็กซ์พี

Validating your predictions

50 เอ็กซ์พี

Calculating RMSE

50 เอ็กซ์พี

Comparing recommendation methods

100 เอ็กซ์พี

50 เอ็กซ์พี

เริ่มบท

Building Recommendation Engines in Python

หลักสูตรเสร็จสมบูรณ์

ได้รับใบรับรองความสำเร็จ

เพิ่มข้อมูลรับรองนี้ลงในโปรไฟล์ LinkedIn, ประวัติย่อ หรือเรซูเม่ของคุณ
แชร์ลงในโซเชียลมีเดียและในรายงานประเมินผลการปฏิบัติงานของคุณลงทะเบียนเลย

เข้าร่วมกับ... 19 ล้านผู้เรียน และเริ่ม Building Recommendation Engines in Python วันนี้เลย!

สร้างบัญชีฟรีของคุณ

หรือ

เมื่อดำเนินการต่อ คุณยอมรับข้อกำหนดการใช้งานของเรา นโยบายความเป็นส่วนตัวของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บไว้ในสหรัฐอเมริกา

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา