fbpx

精通推薦系統

Contents

運用人工智慧與資料科學的推薦系統將提升客戶於電子商務的互動,接觸更多他們有興趣的產品或服務,進而提升電子商務的業績。 本課程探討多種演算法與不同的切入角度,帶你了解推薦系統的設計與評估方法,最後做 Capstone 專案研究,報告最佳的推薦系統設計。

關於此課程

學習設計、建構和評估推薦系統(recommender systems)的商業和內容。

本專業涵蓋了推薦系統中的所有基礎技術,從非個性化和專案聯合推薦器到基於內容和協作的技術,旨在為資料探勘專家和資料識別行銷專業人士提供服務。該課程提供互動式、基於試算表的練習,以掌握不同的演算法,還附有榮譽課程,提供 LensKit 開源工具包讓學生可以更深入地了解。 一個 Capstone 專案將課程教材與現實的推薦系統設和分析專案結合在一起。

製作方  

明尼蘇達大學  University of Minnesota 

明尼蘇達大學自 1993 年開發 GroupLens 首個自動推薦系統以來,一直是推薦系統的領導者。今天,大學通過對推薦演算法、應用和評估的領先研究,繼續保持領先地位。

明尼蘇達大學是全國最大的公立研究型大學之一,為大學生 、研究生和專業學生提供了大量的學習和研究機會。位於美國最有活力、多樣化的大都會社區之一的心臟地帶,明尼阿波利斯和聖保羅校區的學生得益於與世界知名保健中心、國際公司、政府機構和藝術、非營利和公眾的廣泛合作服務機構。

M-teacher.png

第 1 門課程   推薦系 統簡介:非個性化和基於內容的

課程概述

本課程旨在作為推薦系統專業化的第一門課程,介紹推薦系統的概念,詳細介紹幾個案例,並帶你了解非個性化推薦系統,以匯總統計和產品關聯、基本刻板印象或人口統計學建議,與基於內容的過濾建議。

完成本課程後,你將能夠使用基本試算表工具計算各種建議,如果你完成了榮譽課程,你還將使用開源的 LensKit 推薦工具包完成這些建議的程式設計。

除了詳細的講座和互動練習之外,本課程還包含了和多位領導者的訪問,談及推薦系統中的高階主題和當前方向的研究和實踐。

第 1 週 : Preface , Introducing Recommender Systems

第 2 週 : Non-Personalized and Stereotype-Based Recommenders

第 3 週 : Content-Based Filtering — Part I

第 4 週 : Content-Based Filtering — Part II


第 2 門課程  最近鄰協同過濾

課程概述

在本課程中,你將學習通過最近鄰技術製作個性化推薦的基本技巧。首先,你將學習用”戶之於用戶“的協作過濾,一種識別出與目標用戶具有相似品味的其他人,並結合他們評級為該用戶提供建議。你將探索並實施許多變化的”用戶之於用戶”演算法,並將探索一般方法的優點和缺點。然後,你將學習廣泛實踐”項目之於項目“協同過濾演算法,該演算法根據用戶評級來標識全球產品關聯,不過提供個性化推薦除使用這些產品關聯外仍需根據用戶自己的產品評級。

第 1 週 : Preface , User-User Collaborative Filtering Recommenders Part 1

第 2 週 : User-User Collaborative Filtering Recommenders Part 2

第 3 週 : Item-Item Collaborative Filtering Recommenders Part 1

第 4 週 : Item-Item Collaborative Filtering Recommenders Part 2


第 3 門課程  推薦系統:評估和度量指標

課程概述

在本課程中,你將學習如何評估推薦系統。你將熟悉幾個度量指標系列,包括衡量預測精度、排名準確性、決策支援以及其他因素,如多樣性、產品覆蓋率和偶然性等因素。你將了解不同的度量指標如何與不同的用戶目標和業務目標相關。你還將學習如何嚴格執行線下評估(即如何準備和採樣資料以及如何歸納結果)。你會學線上(實驗)的評估。在完成本課程後,你將擁有所需的工具來比較不同推薦系統的各種用途。

第 1 週 : Preface , Basic Prediction and Recommendation Metrics

第 2 週 : Advanced Metrics and Offline Evaluation

第 3 週 : Online Evaluation

第 4 週 : Evaluation Design


第 4 門課程 矩陣分解和高階技術

課程概述

在本課程中,你將學習各種矩陣分解和混合機器學習技術,用於推薦系統。從基本矩陣分解開始,你將基於降低用戶產品偏好空間的維度來了解建構推薦系統的直覺性和實際細節。然後,你將了解將不同演算法的優勢結合到強大的混合推薦器中的技術。

第 1 週 : Preface

第 2 週 : Matrix Factorization (Part 1)

第 3 週 : Matrix Factorization (Part 2)

第 4 週 : Hybrid Recommenders

第 5 週 : Advanced Machine Learning

第 6 週 : Advanced Topics


第 5 門課程  推薦系統總整理課程 (Capstone)

課程概述 (畢業專案)

“精通推系統”最終在這個 capstone 專案課程將把你於上述課程中學習的推薦系統演算法和評估的所有內容匯總到一個全面的推薦分析和設計專案中。你將被要求完成一個案例研究,經由推薦人目標與演算法表現的分析,選擇並理由說明該推薦系統的設計。

榮譽課程的學員將側重於針對中型資料集的演算法的實驗評估。 標準將包括所提供的結果和試算表探索的混合。

這兩組都將產生一份記錄分析、選定的解決方案以及選該解決方案的的理由的終極報告。


到官方網站了解本課程與上課

Sponsored by Coursera

你可能會有興趣

好課程與好朋友分享,按以下分享鍵與朋友一起學習吧! 

發表迴響

這個網站採用 Akismet 服務減少垃圾留言。進一步了解 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: