After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Опис курсу
На цьому курсі ви навчитеся створювати рушії рекомендацій з використанням Alternating Least Squares у PySpark. На прикладі популярних наборів даних MovieLens і Million Songs курс крок за кроком пояснить інтуїцію алгоритму Alternating Least Squares, а також покаже код для тренування, тестування та впровадження моделей ALS на різних типах клієнтських даних.
Попередні вимоги
Навчальний план
Зміст курсу
1
Рекомендації повсюди
У цьому розділі ви побачите, наскільки потужними можуть бути рушії рекомендацій, а також дізнаєтеся про важливі відмінності між рушіями на основі спільної фільтрації та на основі вмісту, а також про різні типи неявних і явних даних, які вони можуть використовувати. Ви також опanuєте дієвий підхід до виявлення прихованих (латентних) ознак, про існування яких у клієнтських наборах даних ви могли навіть не здогадуватися.
- Навіщо вчитися створювати системи рекомендацій?50 XP
- Побачте силу рушія рекомендацій100 XP
- Сила рекомендаційних систем50 XP
- Типи рушіїв рекомендацій і типи даних50 XP
- Collaborative vs content-based filtering50 XP
- Колаборативне vs контент-орієнтоване фільтрування, частина II50 XP
- Неявні та явні дані100 XP
- Типи даних оцінок100 XP
- Застосування систем рекомендацій50 XP
- Альтернативні застосування систем рекомендацій.50 XP
- Перевірте розуміння прихованих ознак100 XP
2
Як працює ALS?
У цьому розділі ви пригадаєте базові поняття множення матриць і факторизації матриць та зануритеся в те, як працює алгоритм Alternating Least Squares і які аргументи та гіперпараметри він використовує, щоб повертати якнайкращі рекомендації. Ви також навчитеся важливим прийомам належної підготовки даних для ALS у Spark.
3
Рекомендуємо фільми
У цьому розділі ви познайомитеся з набором даних MovieLens. Ви пройдете шлях від оцінювання його придатності для ALS до побудови повної перехресно валідуваної моделі ALS та навчитеся оцінювати її ефективність. Це стане основою для всіх наступних моделей ALS, які ви створюватимете в Pyspark.
4
А якщо у вас немає оцінок клієнтів?
У більшості реальних ситуацій у вас не буде «ідеальних» клієнтських даних для побудови моделі ALS. У цьому розділі ви навчитеся використовувати поведінкові дані клієнтів, щоб «виводити» їхні оцінки та будувати на основі таких оцінок рушій рекомендацій ALS. Використовуючи набір даних Million Songs, а також іншу версію MovieLens, ви побачите, як задіяти наявні у вас дані для побудови рушія рекомендацій за допомогою ALS і оцінити його роботу.
Створення рушіїв рекомендацій у PySpark
Курс
завершено
