使用 Python 實做推薦系統和深度學習

運用深度學習、機器學習、資料科學和人工智慧技術的最深入推薦系統課程

從這 8.5 小時的課程,你會學到

理解並實現準確的使用者推薦,運用簡單的和最先進的演算法

要求

課程說明

信不信由你,現在幾乎所有的線上業務都以某種方式使用推薦系統( recommender systems)。我所說的”推薦系統”是什麼意思,它們為什麼有用?

讓我們看看網路上的前三大網站,根據 Alexa : Google、YouTube 和 Facebook。推薦系統是這些技術的重要基礎。

Google :  搜尋結果

這就是為什麼 Google 是當今最成功的科技公司的原因。

YouTube : 視訊儀表板

我肯定不是唯一一個不小心在 YouTube 上花了幾個小時的人,在我有更重要的事情要做的時候! 他們是怎麼吸引你這麼做的呢?

沒錯。 推薦系統!

Facebook : 如此強大以至於世界各國政府都擔心新聞源對人們的影響太大了! (或者他們擔心失去自己的力量… 嗯…)

太令人驚奇了!這個課程給你一大袋的技巧,使推薦系統能跨多個平臺運作。

我們將研究流行的新聞饋送演算法( news feed algorithms ),比如 Reddit,Hacker News 和 Google PageRank。

我們將看看如今許多媒體公司正在使用的貝葉斯( Bayesian )推薦技術。 但是這門課程不僅僅是關於新聞饋送( news feeds )。像 Amazon、 Netflix 和 Spotify 這樣的公司多年來一直在向客戶推薦產品、電影和音樂。這些演算法帶來了數十億美元額外收入。.所以我向你保證,你將要在這門課上學到的東西是非常真實的,非常實用的,並且會對你的業務產生巨大的影響。

對於那些喜歡深入理解這個理論的人來說,你們知道這是我的專長,在這門課程中不會缺少這些。 我們將會涵蓋最先進的演算法,比如矩陣分解( matrix factorization )深度學習(同時利用監督和非監督式學習) ,你將學到一整袋的技巧來改善基礎線( baseline)結果。

無論你是在電子商務商店裡銷售產品,或者你只是簡單地寫一個部落格——你可以用這些技巧在合適的時間向你的使用者展示正確的推薦。如果你是一家公司的員工,你可以用這些技巧給你的經理留下深刻印象,並獲得加薪!

課堂上見!

注意: 這門課程並不是我深度學習系列的”官方”部分。 它包含一個強大的深度學習的組成,但是課程中有許多概念與深度學習完全無關。

提示(通過課程):

  • 以 2x 觀看。
  • 拿手寫筆記。 這將大大增加你記住訊息的能力。
  • 寫下方程。 如果你不這樣做,我保證它看起來像亂碼。
  • 在討論板上提出許多問題。 越多越好!
  • 意識到大多數練習將需要幾天或幾週才能完成。
  • 自己編寫程式碼,不要只是坐在那裡看我寫程式。

目標受眾

  • 任何擁有或經營網際網路業務的人
  • 機器學習、深度學習、人工智慧和資料科學領域的學生
  • 在機器學習,深度學習,人工智慧和資料科學的專業人員

講師簡介

Lazy Programming  資料科學家和大數據工程師

我是一名資料科學家、大數據工程師和全端軟體工程師。

我有電腦工程的碩士,專長為機器學習和模式辨識。

我曾在網路廣告和數位媒體企業擔任過資料科學家和大數據工程師,圍繞所謂的資料建構各種高流量的 web 服務。我曾經使用 Hadoop / Pig / MapReduce 創建新的大數據管道,也曾建立機器學習模型來預測點擊率,使用線性迴歸、Bayesian Bandits 和協同過濾 ( collaborative filtering )建立新聞推薦系統,並使用A / B測試驗證結果。

我曾在大學部與研究所教授資料科學、統計學、機器學習、演算法、微積分、電腦圖學和物理學,任職的學校如哥倫比亞大學、紐約大學、Hunter 學院和 The New School。

有多家企業已從我的 Web 程式設計專業知識中受益。我做所有的後端(伺服器)、前端(HTML / JS / CSS)和運營/佈署工作。 我使用的技術包含:Python、Ruby / Rails、PHP、Bootstrap、jQuery ( Javascript )、Backbone 和  Angular。至於儲存/資料庫,我採用 MySQL、Postgres、Redis、MongoDB等。

英文字幕:有

  • 想要了解如何將英文字幕自動翻譯成中文? 請參考這篇 How-To

參加課程 | ♥找優惠折扣碼?| FB 課程討論專區

Sponsored by Udemy

也許你會有興趣

 歡迎使用 e-mail 訂閱 Soft & Share 

發表迴響

這個網站採用 Akismet 服務減少垃圾留言。進一步瞭解 Akismet 如何處理網站訪客的留言資料

Powered by WordPress.com.

Up ↑

%d 位部落客按了讚: