After doing these courses, I feel confident creating professional visualizations and dashboards
Shoebur RahmanProcurement Specialist, Giz Bangladesh
课程介绍
本课程将向您展示如何在 PySpark 中使用交替最小二乘（Alternating Least Squares，ALS）构建推荐引擎。以广受使用的 MovieLens 数据集和 Million Songs 数据集为例，课程将一步步讲解 ALS 算法的直观原理，并带您编写代码来在不同类型的客户数据上训练、测试与部署 ALS 模型。
先修要求
课程大纲
课程大纲
1
推荐无处不在
本章将向您展示推荐引擎的强大能力，并区分协同过滤与基于内容的推荐引擎，以及推荐引擎可使用的显式与隐式数据类型。您还将学习一种非常有效的方法，用于发掘客户数据集中那些您可能尚不知晓的隐藏特征（潜在特征）。
2
ALS 是如何工作的？
本章将回顾矩阵乘法与矩阵分解的基础概念，深入讲解交替最小二乘（ALS）算法的工作原理，以及其用于生成最佳推荐结果的参数与超参数设置。您还将学习在 Spark 中为 ALS 正确准备数据的重要技巧。
3
电影推荐实战
本章将向您介绍 MovieLens 数据集。您将了解如何评估其是否适用于 ALS，在其上构建完整的交叉验证 ALS 模型，并学习如何评估模型性能。这将为您后续使用 PySpark 构建的一切 ALS 模型打下基础。
4
没有用户评分怎么办？
在大多数真实场景中，您往往无法获得用于构建 ALS 模型的"完美"客户数据。本章将教您如何利用客户行为数据来"推断"用户评分，并基于这些推断评分构建 ALS 推荐引擎。借助 Million Songs 数据集以及另一版本的 MovieLens 数据集，本章将演示如何用手头可用的数据构建 ALS 推荐引擎并评估其性能。
使用 PySpark 构建推荐引擎
课程完成
