ساخت سیستم‌های توصیه‌کننده با یادگیری ماشین و هوش مصنوعی

مدرس Frank Kane

انتشار 2019/04/12

به‌روز‌رسانی 2020/04/02

مدت زمان 9h 5m

سطح متوسط

فایل تمرینی دارد

آموزش Building Recommender Systems with Machine Learning and AI

توصیه های خودکار در همه جا وجود دارد: نتفلیکس، آمازون، یوتیوب و موارد دیگر. سیستم‌های توصیه‌کننده درباره علایق منحصربه‌فرد شما می‌آموزند و محصولات یا محتوایی را که فکر می‌کنند بیشتر دوست دارید نشان می‌دهند. کشف کنید که چگونه می توانید سیستم های توصیه کننده خود را از یکی از پیشگامان در این زمینه بسازید. فرانک کین بیش از 9 سال را در آمازون گذراند، جایی که او توسعه بسیاری از فناوری‌های سفارشی محصول شخصی‌شده شرکت را رهبری کرد. در این دوره، او الگوریتم‌های توصیه مبتنی بر فیلتر مشارکتی مبتنی بر همسایگی و تکنیک‌های مدرن‌تر، از جمله فاکتورسازی ماتریس و حتی یادگیری عمیق با شبکه‌های عصبی مصنوعی را پوشش می‌دهد. در طول مسیر، می‌توانید از تجربه گسترده فرانک در صنعت بیاموزید و چالش‌های دنیای واقعی استفاده از این الگوریتم‌ها را در مقیاس بزرگ با داده‌های دنیای واقعی درک کنید. همچنین می‌توانید با استفاده از فناوری‌هایی مانند Amazon DSSTNE، AWS SageMaker و TensorFlow، چارچوب خود را برای آزمایش الگوریتم‌ها توسعه دهید و شبکه‌های عصبی خود را بسازید.

Artificial Intelligence (AI) Machine Learning Recommender Systems

1. Getting Started

Install Anaconda, review course materials, and create movie recommendations ()

Course roadmap ()

Understanding you through implicit and explicit ratings ()

Top-N recommender architecture ()

Review the basics of recommender systems ()

2. Introduction to Python

Data structures in Python ()

Functions in Python ()

Booleans, loops, and a hands-on challenge ()

3. Evaluating Recommender Systems

Train/test and cross-validation ()

Accuracy metrics (RMSE and MAE) ()

Top-N hit rate: Many ways ()

Coverage, diversity, and novelty ()

Churn, responsiveness, and A/B tests ()

Review ways to measure your recommender ()

Walkthrough of RecommenderMetrics.py ()

Walkthrough of TestMetrics.py ()

Measure the performance of SVD recommendations ()

4. A Recommender Engine Framework

Our recommender engine architecture ()

Recommender engine walkthrough, part 1 ()

Recommender engine walkthrough, part 2 ()

Review the results of our algorithm evaluation ()

5. Content-Based Filtering

Content-based recommendations and the cosine similarity metric ()

K-nearest neighbors (KNN) and content recs ()

Producing and evaluating content-based movie recommendations ()

Bleeding edge alert: Mise-en-scene recommendations ()

Dive deeper into content-based recommendations ()

6. Neighborhood-Based Collaborative Filtering

Measuring similarity and sparsity ()

Similarity metrics ()

User-based collaborative filtering ()

User-based collaborative filtering: Hands-on ()

Item-based collaborative filtering ()

Item-based collaborative filtering: Hands-on ()

Tuning collaborative filtering algorithms ()

Evaluating collaborative filtering systems offline ()

Measure the hit rate of item-based collaborative filtering ()

KNN recommenders ()

Running user- and item-based KNN on MovieLens ()

Experiment with different KNN parameters ()

Bleeding edge alert: Translation-based recommendations ()

7. Matrix Factorization Methods

Principal component analysis (PCA) ()

Singular value decomposition (SVD) ()

Running SVD and SVD++ on MovieLens ()

Improving on SVD ()

Tune the hyperparameters on SVD ()

Bleeding edge alert: Sparse linear methods (SLIM) ()

8. Introduction to Deep Learning

Deep learning introduction ()

Deep learning prerequisites ()

History of artificial neural networks ()

Playing with TensorFlow ()

Training neural networks ()

Tuning neural networks ()

Introduction to TensorFlow ()

Handwriting recognition with TensorFlow, part 1 ()

Handwriting recognition with TensorFlow, part 2 ()

Introduction to Keras ()

Handwriting recognition with Keras ()

Classifier patterns with Keras ()

Predict political parties of politicians with Keras ()

Intro to convolutional neural networks (CNNs) ()

CNN architectures ()

Handwriting recognition with CNNs ()

Intro to recurrent neural networks (RNNs) ()

Training recurrent neural networks ()

Sentiment analysis of movie reviews using RNNs and Keras ()

9. Deep Learning for Recommender Systems

Intro to deep learning for recommenders ()

Restricted Boltzmann machines (RBMs) ()

Recommendations with RBMs, part 1 ()

Recommendations with RBMs, part 2 ()

Evaluating the RBM recommender ()

Tuning restricted Boltzmann machines ()

Exercise results: Tuning a RBM recommender ()

Auto-encoders for recommendations: Deep learning for recs ()

Recommendations with deep neural networks ()

Clickstream recommendations with RNNs ()

Get GRU4Rec working on your desktop ()

Exercise results: GRU4Rec in action ()

Bleeding edge alert: Deep factorization machines ()

More emerging tech to watch ()

10. Scaling It Up

Introduction and installation of Apache Spark ()

Apache Spark architecture ()

Movie recommendations with Spark, matrix factorization, and ALS ()

Recommendations from 20 million ratings with Spark ()

Amazon DSSTNE ()

DSSTNE in action ()

Scaling up DSSTNE ()

AWS SageMaker and factorization machines ()

SageMaker in action: Factorization machines on one million ratings, in the cloud ()

11. Real-World Challenges of Recommender Systems

The cold start problem (and solutions) ()

Implement random exploration ()

Exercise solution: Random exploration ()

Stoplists ()

Implement a stoplist ()

Exercise solution: Implement a stoplist ()

Filter bubbles, trust, and outliers ()

Identify and eliminate outlier users ()

Exercise solution: Outlier removal ()

Fraud, the perils of clickstream, and international concerns ()

Temporal effects and value-aware recommendations ()

12. Case Studies

Case study: YouTube, part 1 ()

Case study: YouTube, part 2 ()

Case study: Netflix, part 1 ()

Case study: Netflix, part 2 ()

13. Hybrid Approaches

Hybrid recommenders and exercise ()

Exercise solution: Hybrid recommenders ()

Conclusion

More to explore ()

Ex_Files_Rec_Machine_Learning_AI_Upd.zip (1.8 MB)

دانلود فایل فشرده

با توجه به امکانات آموزش و همچنین امکانات بسته انتخاب شده لینک دانلود فایل فشرده آماده خواهد شد. با در نظر داشتن این شرایط لطفا بسته مورد نظر خود را انتخاب کرده و روی دکمه درخواست لینک دانلود کلیک کنید

در حال به روزرسانی اطلاعات

درخواست لینک دانلود

در حال به روزرسانی اطلاعات

لطفا قبل از فعالسازی لینک دانلود به موارد زیر توجه کنید:

پسورد فایل‌های فشرده است.
لینک‌های آماده شده تا 8 روز پس از فعالسازی منقضی خواهند شد.
حجم فایل‌ها تخمینی هستند.
در صورتی که لینک دانلود تا 15دقیقه پس از درخواست آماده نشد، از بخش پشتیبانی پیگیری نمایید.