After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
Mô tả khóa học
Chúng ta đã quen với trải nghiệm được cá nhân hóa trực tuyến—từ Netflix gợi ý chương trình đến các nhà bán lẻ trực tuyến đề xuất món hàng bạn có thể muốn mua. Vậy những gợi ý này được tạo ra như thế nào? Trong khóa học này, bạn sẽ học mọi thứ cần biết để tự xây dựng một recommendation engine. Thông qua các bài tập thực hành, bạn sẽ nắm vững hai hệ thống phổ biến nhất: collaborative filtering và content-based filtering. Tiếp theo, bạn sẽ học cách đo lường độ tương đồng như Jaccard distance và cosine similarity, và cách đánh giá chất lượng gợi ý trên dữ liệu kiểm thử bằng root mean square error (RMSE). Kết thúc khóa học, bạn sẽ tự tay xây dựng được một movie recommendation engine và có thể áp dụng kỹ năng Python của mình để tạo ra các hệ thống này cho bất kỳ ngành nào.
Yêu cầu tiên quyết
Chương trình học
Đề cương khóa học
1
Giới thiệu về Recommendation Engine
Recommendation engine được thiết kế để giải quyết những vấn đề gì và loại dữ liệu nào phù hợp nhất? Xác định những gợi ý hữu ích có thể tạo ra ngay cả khi dữ liệu hạn chế, và học cách tự xây dựng gợi ý của riêng bạn.
- Recommendation engine là gì?50 XP
- Recommendation engine và mô hình dự đoán100 XP
- Xác định dữ liệu phù hợp cho hệ gợi ý50 XP
- Dữ liệu ngầm định vs. dữ liệu tường minh100 XP
- Gợi ý không cá nhân hóa50 XP
- Giới thiệu về gợi ý không cá nhân hóa100 XP
- Cải thiện gợi ý không cá nhân hóa100 XP
- Kết hợp độ phổ biến và đánh giá100 XP
- Gợi ý không cá nhân hóa50 XP
- Tìm tất cả các cặp phim100 XP
- Đếm số cặp100 XP
- Tạo các gợi ý phim đầu tiên của bạn100 XP
2
Gợi ý dựa trên nội dung
Khám phá cách sử dụng thuộc tính của vật phẩm để đưa ra gợi ý. Tạo các so sánh giá trị giữa vật phẩm bằng cả dữ liệu phân loại và văn bản. Tạo hồ sơ để gợi ý vật phẩm mới cho người dùng dựa trên sở thích trước đây của họ.
3
Collaborative Filtering
Khám phá vật phẩm mới để gợi ý cho người dùng bằng cách tìm những người có gu tương tự. Học cách tạo gợi ý dựa trên người dùng và dựa trên vật phẩm—và ngữ cảnh phù hợp để dùng từng cách. Sử dụng mô hình k-nearest neighbors để tận dụng “trí tuệ đám đông” và dự đoán cách một người có thể chấm điểm một vật phẩm họ chưa từng thấy.
4
Phân rã ma trận và kiểm định dự đoán của bạn
Hiểu cách dữ liệu thưa trong thực tế có thể ảnh hưởng đến gợi ý của bạn. Tận dụng sức mạnh của matrix factorization để xử lý sự thưa thớt này. Khám phá giá trị của các đặc trưng ẩn và dùng chúng để hiểu dữ liệu tốt hơn. Cuối cùng, kiểm chứng các mô hình bạn đã học bằng cách tìm hiểu cách đánh giá từng phương pháp.
Xây dựng Recommendation Engine bằng Python
Hoàn
thành khóa học
