After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
Ми звикли до персоналізованого досвіду онлайн — від рекомендацій серіалів на Netflix до підказок товарів у магазинах. Але як саме генеруються ці пропозиції? У цьому курсі ви дізнаєтеся все необхідне, щоб створити власну систему рекомендацій. На практичних вправах ви опanuєте два найпоширеніші підходи: колаборативну фільтрацію та контентну фільтрацію. Далі ви навчитеся обчислювати схожість, зокрема відстань Жаккара та косинусну подібність, а також оцінювати якість рекомендацій на тестових даних за допомогою кореня середньоквадратичної помилки (RMSE). Наприкінці курсу ви збудуєте власний рушій рекомендацій фільмів і зможете застосовувати навички Python для створення подібних систем у будь-якій галузі.
Попередні вимоги
Навчальний план
Зміст курсу
1
Вступ до систем рекомендацій
Які задачі покликані розв'язувати системи рекомендацій і які дані для цього найкраще підходять? Зрозумійте, які корисні рекомендації можна робити навіть за обмежених даних, і навчіться створювати власні рекомендації.
- Що таке системи рекомендацій?50 XP
- Рекомендаційні системи vs. прогнозування100 XP
- Визначення належних даних для рекомендаційних систем50 XP
- Неявні vs. явні дані100 XP
- Неперсоналізовані рекомендації50 XP
- Вступ до неперсоналізованих рекомендацій100 XP
- Поліпшені неперсоналізовані рекомендації100 XP
- Поєднання популярності та відгуків100 XP
- Неперсоналізовані підказки50 XP
- Пошук усіх пар фільмів100 XP
- Підрахунок пар100 XP
- Ваші перші рекомендації фільмів100 XP
2
Контентні рекомендації
Дізнайтеся, як атрибути елементів можна використати для формування рекомендацій. Створюйте корисні порівняння між елементами як за категоріальними, так і за текстовими даними. Формуйте профілі користувачів, щоб радити нові елементи на основі їхніх попередніх уподобань.
3
Колаборативна фільтрація
Відкрийте нові елементи для рекомендацій, знаходячи користувачів із подібними смаками. Навчіться робити рекомендації на основі користувачів і на основі елементів — і розуміти, у якому контексті який підхід варто застосовувати. Використовуйте моделі k-nearest neighbors, щоб скористатися „мудрістю натовпу" й передбачати, як хтось оцінить елемент, з яким ще не стикався.
4
Факторизація матриць і перевірка прогнозів
Зрозумійте, як розрідженість реальних наборів даних впливає на рекомендації. Скористайтеся можливостями факторизації матриць, щоб впоратися з цією розрідженістю. Дослідіть цінність прихованих ознак і використайте їх, щоб краще зрозуміти дані. Нарешті, перевірте виявлені моделі на практиці, навчившись валідувати кожен із опанованих підходів.
Створення систем рекомендацій у Python
Курс
завершено
