ข้ามไปยังเนื้อหาหลัก

หน้าหลัก Spark

คอร์ส

Building Recommendation Engines with PySpark

ขั้นสูงระดับทักษะ

อัปเดตแล้ว 04/2569

Learn tools and techniques to leverage your own big data to facilitate positive experiences for your users.

เริ่มคอร์สฟรี

SparkMachine Learning

4 ชม.

15 วิดีโอ

56 แบบฝึกหัด

4,550 XP

14,105

ใบรับรองความสำเร็จ

สร้างบัญชีฟรีของคุณ

ดำเนินการต่อด้วย Google แสดงตัวเลือกเพิ่มเติม

หรือ

เมื่อดำเนินการต่อ คุณยอมรับ ข้อกำหนดการใช้งาน ของเรา นโยบายความเป็นส่วนตัว ของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บในสหรัฐอเมริกา

เป็นที่รักของผู้เรียนในบริษัทหลายพันแห่ง

กำลังฝึกอบรมทีม?

ลองใช้สำหรับธุรกิจ

คำอธิบายคอร์ส

This course will show you how to build recommendation engines using Alternating Least Squares in PySpark. Using the popular MovieLens dataset and the Million Songs dataset, this course will take you step by step through the intuition of the Alternating Least Squares algorithm as well as the code to train, test and implement ALS models on various types of customer data.

ข้อกำหนดเบื้องต้น

Supervised Learning with scikit-learn Introduction to PySpark

1

Recommendations Are Everywhere

This chapter will show you how powerful recommendations engines can be, and provide important distinctions between collaborative-filtering engines and content-based engines as well as the different types of implicit and explicit data that recommendation engines can use. You will also learn a very powerful way to uncover hidden features (latent features) that you may not even know exist in customer datasets.

Why learn how to build recommendation engines?

See the power of a recommendation engine

Power of recommendation engines

Recommendation engine types and data types

Collaborative vs content-based filtering

Collaborative vs content based filtering part II

Implicit vs explicit data

Ratings data types

Uses for recommendation engines

Alternate uses of recommendation engines.

Confirm understanding of latent features

เริ่มบท

2

How does ALS work?

In this chapter you will review basic concepts of matrix multiplication and matrix factorization, and dive into how the Alternating Least Squares algorithm works and what arguments and hyperparameters it uses to return the best recommendations possible. You will also learn important techniques for properly preparing your data for ALS in Spark.

Overview of matrix multiplication

Matrix multiplication

Matrix multiplication part II

Overview of matrix factorization

Matrix factorization

Non-negative matrix factorization

How ALS alternates to generate predictions

Estimating recommendations

RMSE as ALS alternates

Data preparation for Spark ALS

Correct format and distinct users

Assigning integer id's to movies

ALS parameters and hyperparameters

Build out an ALS model

Build RMSE evaluator

เริ่มบท

3

Recommending Movies

In this chapter you will be introduced to the MovieLens dataset. You will walk through how to assess it's use for ALS, build out a full cross-validated ALS model on it, and learn how to evaluate it's performance. This will be the foundation for all subsequent ALS models you build using Pyspark.

Introduction to the MovieLens dataset

Viewing the MovieLens Data

Calculate sparsity

The GroupBy and Filter methods

MovieLens Summary Statistics

View Schema

ALS model buildout on MovieLens Data

Create test/train splits and build your ALS model

Tell Spark how to tune your ALS model

Build your cross validation pipeline

Best Model and Best Model Parameters

Model Performance Evaluation

Generate predictions and calculate RMSE

Interpreting the RMSE

Do recommendations make sense

เริ่มบท

4

What if you don't have customer ratings?

In most real-life situations, you won't not have "perfect" customer data available to build an ALS model. This chapter will teach you how to use your customer behavior data to "infer" customer ratings and use those inferred ratings to build an ALS recommendation engine. Using the Million Songs Dataset as well as another version of the MovieLens dataset, this chapter will show you how to use the data available to you to build a recommendation engine using ALS and evaluate it's performance.

Introduction to the Million Songs Dataset

Confirm understanding of implicit rating concepts

MSD summary statistics

Grouped summary statistics

Evaluating implicit ratings models

Specify ALS hyperparameters

Build implicit models

Running a cross-validated implicit ALS model

Extracting parameters

Overview of binary, implicit ratings

Binary model performance

Recommendations from binary data

Course recap

เริ่มบท

Building Recommendation Engines with PySpark

คอร์สเสร็จสมบูรณ์

รับใบรับรองความสำเร็จ

เพิ่มใบรับรองนี้ไปยังโปรไฟล์ LinkedIn เรซูเม่ หรือ CV ของคุณ
แชร์บน social media และในการรีวิวผลการปฏิบัติงานของคุณลงทะเบียนทันที

ร่วมกับผู้เรียนกว่า 19 ล้านคนและเริ่มต้น Building Recommendation Engines with PySpark วันนี้!

สร้างบัญชีฟรีของคุณ

ดำเนินการต่อด้วย Google แสดงตัวเลือกเพิ่มเติม

หรือ

เมื่อดำเนินการต่อ คุณยอมรับ ข้อกำหนดการใช้งาน ของเรา นโยบายความเป็นส่วนตัว ของเรา และยอมรับว่าข้อมูลของคุณจะถูกจัดเก็บในสหรัฐอเมริกา

พัฒนาทักษะด้านข้อมูลของคุณด้วย DataCamp for Mobile

พัฒนาทักษะได้ทุกที่ทุกเวลาด้วยคอร์สเรียนบนมือถือและแบบฝึกหัดเขียนโค้ดประจำวัน 5 นาทีของเรา