Ana içeriğe atla

Kurs

Python ile Öneri Motorları Geliştirme

Orta SeviyeBeceri Seviyesi

Güncel 04.2024

Makine öğrenimi tekniklerini kullanarak Python'da öneri motorları oluşturmayı öğrenin.

Kursa Ücretsiz Başlayın

PythonMachine Learning

4 sa

16 video

60 Egzersiz

4,850 XP

12,783

Başarı Belgesi

Binlerce şirketten öğrencinin sevgisini kazandı

Bir Ekibi Eğitiyor musunuz?

İşletmeler için deneyin

Kurs Açıklaması

Artık çevrimiçi deneyimlerin kişiselleştirilmesini bekliyoruz—Netflix’in bir dizi önermesi ya da bir perakendecinin hoşuna gidebilecek ürünleri sunması gibi. Peki bu öneriler nasıl oluşturuluyor? Bu derste, kendi öneri motorunu oluşturmak için bilmen gereken her şeyi öğreneceksin. Uygulamalı egzersizlerle en yaygın iki sistemi, collaborative filtering ve content-based filtering’i kavrayacaksın. Ardından, Jaccard uzaklığı ve kosinüs benzerliği gibi benzerlik ölçülerini hesaplamayı ve kök ortalama kare hatası (RMSE) kullanarak test verisi üzerinde önerilerin kalitesini değerlendirmeyi öğreneceksin. Dersin sonunda, kendi film öneri motorunu kurmuş ve bu sistemleri herhangi bir sektörde oluşturmak için Python becerilerini uygulayabilir hale gelmiş olacaksın.

Önkoşullar

Supervised Learning with scikit-learn

1

Öneri Motorlarına Giriş

Öneri motorları hangi sorunları çözmek için tasarlanır ve hangi veriler onlar için daha uygundur? Sınırlı veriyle bile hangi içgörülü önerilerin yapılabileceğini ayırt et ve kendi önerilerini oluşturmayı öğren.

Öneri motorları nedir?

Öneri motorları vs. tahminler

Öneri motorları için doğru veriyi belirleme

Örtük ve açık veri

Kişisel olmayan öneriler

Kişiselleştirilmemiş önerilere giriş

Geliştirilmiş kişiselleştirilmemiş öneriler

Popülerlik ve incelemeleri birleştirmek

Kişiselleştirilmemiş öneriler

Tüm film çiftlerini bulma

Eşleşmeleri saymak

İlk film önerilerini oluşturma

Bölümü Başlat

2

İçerik Tabanlı Öneriler

Öğe özelliklerinin öneri yapmak için nasıl kullanılabileceğini keşfet. Hem kategorik hem de metin verileriyle öğeler arasında değerli karşılaştırmalar oluştur. Kullanıcıların geçmiş tercihlerini temel alarak yeni öğeler önermek için profiller üret.

İçerik tabanlı önerilere giriş

Neden içerik tabanlı modeller?

İçeriğe dayalı veriler oluşturma

İçerik tabanlı veriyi anlama

İçerik tabanlı öneriler oluşturma

Jaccard benzerliği ile tek tek filmleri karşılaştırma

Tüm filmlerini aynı anda karşılaştır

Film türlerine dayalı öneriler oluşturma

Metin tabanlı benzerlikler

TF-IDF modelini başlat

TF-IDF DataFrame'i Oluşturma

TF-IDF ile tüm filmlerini karşılaştırma

TF-IDF ile öneriler yapmak

Kullanıcı profili önerileri

Kullanıcı profillerini oluştur

Kullanıcı profiline dayalı öneriler

Bölümü Başlat

3

Collaborative Filtering

Benzer zevklere sahip kişileri bularak kullanıcılara önerebileceğin yeni öğeleri keşfet. Kullanıcı tabanlı ve öğe tabanlı öneriler yapmayı—ve hangi bağlamda kullanılmaları gerektiğini—öğren. Kalabalığın bilgeliğinden yararlanmak için k-en yakın komşu modellerini kullan ve birinin henüz karşılaşmadığı bir öğeye nasıl puan verebileceğini tahmin et.

Ortak filtreleme

Verini pivotlamak

Benzer kullanıcıları bulma

Eksik değerlerle ilgili zorluklar

Eksik veriyi telafi etme

Benzerlikleri bulma

Kullanıcı tabanlıdan öğe tabanlıya

Benzer ve farklı film puanları

Benzer beğenilen filmleri bulma

K-en yakın komşuları kullanma

K-en yakın komşular adım adım

KNN verisini uygun hâle getirme

KNN tahminleri

Öğe tabanlı mı, kullanıcı tabanlı mı

Öğe tabanlı ve kullanıcı tabanlı modelleri karşılaştırma

Hangisini seçmelisin?

Bölümü Başlat

4

Matris Ayrıştırma ve Tahminlerini Doğrulama

Gerçek dünya veri kümelerindeki seyrekliğin önerilerini nasıl etkileyebileceğini anla. Bu seyrekliği ele almak için matris ayrıştırmanın gücünden yararlan. Örtük (latent) özelliklerin değerini keşfet ve verilerini daha iyi anlamak için onları kullan. Son olarak, öğrendiğin her yaklaşımı nasıl doğrulayacağını öğrenerek keşfettiğin modelleri teste tabi tut.

Seyrekliğin üstesinden gelme

Matris seyrekliği

Satırlarındaki sınırlı veri

Matris çarpımı

Matris ayrıştırma

Gizil özellikleri belirleme

Faktörleştirmede bilgi kaybı

Tekil değer ayrışımı (SVD)

Verini normalize et

Matrisini parçalama

Matrisi yeniden hesaplama

SVD ile öneriler oluşturma

Tahminlerini doğrulama

RMSE hesaplama

Öneri yöntemlerini karşılaştırma

Bölümü Başlat

Python ile Öneri Motorları Geliştirme

Kurs
Tamamlandı

Başarı Belgesi Kazanın

Bu kimlik bilgisini LinkedIn profilinize, özgeçmişinize veya CV'nize ekleyin
Sosyal medyada ve performans incelemenizde paylaşınŞimdi kaydolun

Bugün 19 milyondan fazla öğrenciye katılın ve Python ile Öneri Motorları Geliştirme eğitimine başlayın!

DataCamp for Mobile ile veri becerilerinizi geliştirin

Mobil kurslarımız ve günde 5 dakikalık kodlama görevlerimizle hareket halindeyken ilerleme kaydedin.