Научитесь проектировать, создавать и оценивать системы рекомендаций для коммерции и контента. Повышение квалификации по разработке рекомендательных систем для улучшения пользовательского опыта.
Suggested by: Coursera (What is Coursera?)
No prior knowledge required
No unnecessary risks
Этот курс, предназначенный для использования в качестве первого курса по навыкам работы с рекомендательными системами, знакомит с идеей рекомендательных систем, подробно рассматривает различные примеры и проводит вас через неоптимизированные рекомендации с использованием сводной статистики и ассоциаций продуктов, рекомендаций, основанных на стереотипах или демографических данных. и рекомендации на основе содержания. После прохождения курса вы сможете рассчитывать разнообразные рекомендации на основе данных с помощью базовых инструментов электронных таблиц, а если вы пройдете специальный трек, то еще и запрограммируете эти рекомендации с помощью открытого инструмента рекомендаций LensKit.
Помимо подробных лекций и интерактивных упражнений, курс включает интервью с несколькими лидерами в области исследований и практики по актуальным темам и современным тенденциям в рекомендательных системах.
В этом уроке вы познакомитесь с основными приемами персонализированных рекомендаций с использованием методов ближайшего соседа. Во-первых, вы изучите совместную фильтрацию пользователей — алгоритм, который идентифицирует других людей со схожими вкусами с целевым пользователем и объединяет их рейтинги, чтобы рекомендовать продукты этому пользователю. Вы изучите и реализуете варианты этого алгоритма, а также обнаружите преимущества и недостатки общего подхода. Далее вы узнаете об алгоритме фильтрации совместного использования элементов, который определяет общие ассоциации между продуктами на основе оценок пользователей, но использует эти ассоциации для предоставления персонализированных рекомендаций на основе собственных оценок пользователя.
В этом курсе вы научитесь оценивать рекомендательные системы. Ознакомьтесь с несколькими семействами показателей, включая показатели для измерения точности прогнозов, точности рейтингов, поддержки принятия решений, а также дополнительные факты, такие как разнообразие, охват продукта и сюрпризы. Поймите, как разные показатели связаны с разными целями пользователей и бизнес-целями. Вы также узнаете, как проводить офлайн-оценки (т. е. как готовить и выбирать данные, а также как агрегировать результаты). Вы также узнаете об онлайн-оценке (экспериментальной). По завершении курса у вас будут инструменты для сравнения различных вариантов рекомендательных систем для самых разных целей.
В этом курсе вы изучите различные методы матричной декомпозиции и гибридное машинное обучение для рекомендательных систем. Начав с базовой матричной декомпозиции, вы поймете как понимание, так и практические детали построения рекомендательных систем, основанных на уменьшении размерности пространства предпочтений пользователей и продуктов. Далее вы узнаете о методах, которые объединяют преимущества различных алгоритмов в мощные гибридные рекомендации.
Этот основной проектный курс по навыкам работы с рекомендательной системой объединяет все, что вы узнали об алгоритмах и оценке рекомендательной системы, в комплексный анализ рекомендаций и проект разработки. Вы получите исследовательский кейс, в котором вам придется выбрать и обосновать конструкцию рекомендательной системы, проанализировав цели рекомендации и производительность алгоритма. Учащиеся специального направления сосредоточатся на экспериментальной оценке алгоритмов на средних наборах данных. Стандартный маршрут будет включать в себя сочетание результатов поставщиков и исследований в электронных таблицах.
Обе группы подготовили окончательный отчет, документирующий анализ, выбранное решение и обоснование этого решения.
