Name: การสร้าง Recommendation Engines ด้วย PySpark
Rating: 4.853556485355648 (239 reviews)

รายละเอียดคอร์ส

คอร์สนี้จะสอนวิธีสร้าง Recommendation Engines โดยใช้ Alternating Least Squares ใน PySpark โดยใช้ชุดข้อมูล MovieLens และ Million Songs Dataset คอร์สนี้จะพาไปทำความเข้าใจแนวคิดเบื้องหลังอัลกอริทึม Alternating Least Squares พร้อมทั้งเรียนรู้วิธีฝึก ทดสอบ และนำโมเดล ALS ไปใช้กับข้อมูลลูกค้าประเภทต่าง ๆ ทีละขั้นตอน

ข้อกำหนดเบื้องต้น

Supervised Learning with scikit-learn Introduction to PySpark

หลักสูตร

โครงสร้างคอร์ส

ระบบแนะนำอยู่รอบตัวเรา

บทนี้จะแสดงให้เห็นว่า Recommendation Engines มีประสิทธิภาพเพียงใด พร้อมอธิบายความแตกต่างระหว่าง Collaborative Filtering และ Content-Based Engine รวมถึงประเภทของข้อมูล Implicit และ Explicit ที่ Recommendation Engines สามารถนำไปใช้ได้ นอกจากนี้ยังจะได้เรียนรู้เทคนิคสำคัญในการค้นพบฟีเจอร์ที่ซ่อนอยู่ (Latent Features) ซึ่งอาจไม่เคยรู้ว่ามีอยู่ในชุดข้อมูลลูกค้า

เริ่มบทเรียน

ALS ทำงานอย่างไร

ในบทนี้จะทบทวนแนวคิดพื้นฐานของการคูณเมทริกซ์และการแยกตัวประกอบเมทริกซ์ จากนั้นเจาะลึกการทำงานของอัลกอริทึม Alternating Least Squares รวมถึง Arguments และ Hyperparameters ที่ใช้เพื่อให้ได้ผลลัพธ์การแนะนำที่ดีที่สุด นอกจากนี้ยังจะได้เรียนรู้เทคนิคสำคัญในการเตรียมข้อมูลสำหรับ ALS ใน Spark

เริ่มบทเรียน

การแนะนำภาพยนตร์

ในบทนี้จะได้รู้จักกับชุดข้อมูล MovieLens พร้อมเรียนรู้วิธีประเมินความเหมาะสมสำหรับ ALS สร้างโมเดล ALS แบบ Cross-Validated อย่างครบถ้วน และประเมินประสิทธิภาพของโมเดล บทนี้จะเป็นรากฐานสำหรับโมเดล ALS ทุกโมเดลที่จะสร้างด้วย PySpark ต่อไป

เริ่มบทเรียน

จะทำอย่างไรหากไม่มีคะแนนรีวิวจากลูกค้า

ในสถานการณ์จริงส่วนใหญ่ มักไม่มีข้อมูลลูกค้าที่ "สมบูรณ์แบบ" พร้อมสำหรับการสร้างโมเดล ALS บทนี้จะสอนวิธีใช้ข้อมูลพฤติกรรมของลูกค้าเพื่อ "อนุมาน" คะแนนรีวิว และนำคะแนนที่อนุมานได้นั้นมาสร้าง ALS Recommendation Engine โดยใช้ Million Songs Dataset และชุดข้อมูล MovieLens อีกเวอร์ชันหนึ่ง บทนี้จะแสดงให้เห็นวิธีใช้ข้อมูลที่มีอยู่เพื่อสร้าง Recommendation Engine ด้วย ALS และประเมินประสิทธิภาพของโมเดล