یادگیری ماشین و مبانی هوش مصنوعی: توصیه‌ها

مدرس Adam Geitgey

انتشار 2017/04/10

مدت زمان 58m 7s

سطح متوسط

فایل تمرینی دارد

آموزش Machine Learning and AI Foundations: Recommendations

این دوره مبتنی بر پروژه به برنامه نویسان در تمام سطوح مهارت نشان می دهد که چگونه از یادگیری ماشین برای ساخت برنامه هایی استفاده کنند که می توانند توصیه هایی را ارائه دهند. در این دوره، آدام گیتگی شما را در یک آزمایشگاه عملی راهنمایی می کند که یک سیستم توصیه می سازد که می تواند محصولات مشابه را بر اساس محصولات قبلی که آنها بررسی یا خریداری کرده اند به مشتریان پیشنهاد دهد. این سیستم همچنین می تواند تشخیص دهد که کدام محصولات مشابه یکدیگر هستند.\r\n\r\n این سیستم ها با کمک به مشتریان در کشف محصولات و خدماتی که ممکن است هرگز خودشان را پیدا نکنند، به تعامل و فروش با مشتری کمک می کند. این دوره از ابزارهای رایگان و متن باز Python 3.5، pandas و numpy استفاده می کند. در پایان دوره، شما مجهز به استفاده از یادگیری ماشینی برای حل مشکلات توصیه می شوید. آنچه یاد می گیرید می تواند مستقیماً در پروژه های خود اعمال شود.

Artificial Intelligence (AI) Machine Learning Python (Programming Language) Recommender Systems

Introduction

Welcome ()

What you should know before watching this course ()

Using the exercise files ()

Set up environment ()

1. The Basics of Making Recommendations

What is a recommendation system? ()

What can you do with recommendation systems? ()

Cool uses of recommendation systems ()

2. Ways of Making Recommendations

Content-based recommendations: Recommending based on product attributes ()

Collaborative filtering: Recommending based on similar users ()

3. Getting to Know Our Tools

Introduction to NumPy, SciPy, and pandas ()

Think in vectors: How to work with large data sets efficiently ()

4. Building the Framework for Our Recommendation System

Explore our product recommendation data set ()

Represent product reviews as a matrix ()

Recommend by predicting missing user ratings ()

A simple way to predict missing user ratings ()

5. Collaborative Filtering with Matrix Factorization

Latent representations of users and products ()

Code the recommendation system ()

How matrix factorization works ()

Use latent representations to find similar products ()

6. Testing Our System

Explore our system’s recommendations ()

Use regularization ()

Measure recommendation accuracy ()

7. Using the Recommendation System in a Real World Program

Make recommendations for existing users ()

How to handle first-time users ()

Find similar products ()

Conclusion

Wrap up ()

Ex_Files_ML_EssT_Recommendations.zip (72 KB)

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.