آموزش سیستم‌های توصیه‌گر: رویکردی کاربردی با استفاده از یادگیری عمیق - آخرین آپدیت

دانلود Recommender Systems: An Applied Approach using Deep Learning

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: به‌روزرسانی شده در می ۲۰۲۵. این دوره اکنون دارای قابلیت Coursera Coach است! روشی هوشمندتر برای یادگیری با گفتگوهای تعاملی و آنی که به شما کمک می‌کند دانش خود را آزمایش کنید، فرضیات را به چالش بکشید و در حین پیشروی در دوره، درک خود را عمیق‌تر کنید. سیستم‌های توصیه‌گر (Recommender Systems) در زمینه‌های مختلفی کاربرد دارند؛ از مثال‌های رایج می‌توان به تولیدکننده‌های لیست پخش برای سرویس‌های ویدئویی و موسیقی، توصیه‌گر محصولات برای فروشگاه‌های آنلاین و پلتفرم‌های رسانه‌های اجتماعی و توصیه‌گر محتوای وب اشاره کرد. همچنین سیستم‌های توصیه‌گر برای جستجوی مقالات پژوهشی، یافتن متخصصان، همکاران و خدمات مالی توسعه یافته‌اند. این دوره با معرفی مفاهیم یادگیری عمیق برای توسعه سیستم‌های توصیه‌گر و مرور کلی دوره آغاز می‌شود. سپس به موضوعاتی از جمله یادگیری عمیق برای سیستم‌های توصیه‌گر، درک مزایا و معایب یادگیری عمیق، استنتاج توصیه‌ها و رویکرد توصیه‌گر مبتنی بر یادگیری عمیق می‌پردازد. در ادامه، فیلترینگ مشارکتی عصبی (Neural Collaborative Filtering) را بررسی کرده و نحوه ساخت یک پروژه بر اساس سیستم توصیه‌گر محصولات آمازون را خواهید آموخت. شما یاد می‌گیرید که پکیج‌های مورد نیاز را نصب کنید، داده‌ها را برای توصیه‌های محصول تحلیل و آماده کنید و مدل را با استفاده از رویکرد دو-برجی (Two-Tower) توسعه دهید. شما پیاده‌سازی یک TensorFlow Recommender و تست مدل توصیه‌گر را خواهید آموخت و با استفاده از سیستم ساخته شده، پیش‌بینی‌ها را انجام خواهید داد. پس از اتمام دوره، می‌توانید مفاهیم و تئوری‌های سیستم‌های توصیه‌گر را در دامنه‌های مختلف به کار ببرید و مدل‌های یادگیری عمیق را برای ساخت سیستم‌های توصیه‌گر واقعی پیاده‌سازی کنید. این دوره برای افرادی طراحی شده است که به دنبال ارتقای مهارت‌های خود در یادگیری عمیق کاربردی، درک رابطه تحلیل داده‌ها با یادگیری عمیق، ساخت سیستم‌های توصیه‌گر سفارشی برای برنامه‌های خود و پیاده‌سازی الگوریتم‌های یادگیری عمیق هستند. پیش‌نیازهای این دوره شامل دانش مقدماتی تا متوسط از زبان برنامه‌نویسی پایتون و کتابخانه Pandas است.

سرفصل ها و درس ها

مقدمه Introduction

  • درباره مدرس About the Instructor

  • سرفصل‌های دوره Course Outline

مبانی یادگیری عمیق برای سیستم‌های توصیه‌گر Deep Learning Foundation for Recommender Systems

  • معرفی ماژول Module Introduction

  • مرور کلی Overview

  • یادگیری عمیق در سیستم‌های توصیه‌گر Deep Learning in Recommender Systems

  • استنتاج پس از آموزش Inference after Training

  • مکانیزم استنتاج Inference Mechanism

  • Embeddingها و بافت کاربر (User Context) Embeddings and User Context

  • فیلترینگ مشارکتی عصبی Neural Collaborative Filtering

  • فیلترینگ مشارکتی VAE VAE Collaborative Filtering

  • نقاط قوت و ضعف مدل‌های یادگیری عمیق Strengths and Weaknesses of DL Models

  • کوییز یادگیری عمیق Deep Learning Quiz

  • پاسخ کوییز یادگیری عمیق Deep Learning Quiz Solution

پروژه سیستم توصیه‌گر محصولات آمازون Project Amazon Product Recommendation System

  • مرور کلی ماژول Module Overview

  • تنسورفلو رکامندرز (TensorFlow Recommenders) TensorFlow Recommenders

  • مدل دو-برجی (Two Tower Model) Two-Tower Model

  • مرور کلی پروژه Project Overview

  • دانلود کتابخانه‌ها Download Libraries

  • بصری‌سازی داده‌ها با WordCloud Data Visualization with WordCloud

  • ساخت تنسورها از DataFrame Make Tensors from DataFrame

  • رتبه‌بندی داده‌ها Rating Our Data

  • تقسیم تصادفی داده‌های آموزش و تست Random Train-Test Split

  • ساخت مدل و برج پرس‌وجو (Query Tower) Making the Model and Query Tower

  • برج کاندیدا و سیستم بازیابی Candidate Tower and Retrieval System

  • محاسبه Loss Compute Loss

  • آموزش و اعتبارسنجی Train and Validation

  • دقت در مقابل توصیه‌ها Accuracy Versus Recommendations

  • ارائه توصیه‌ها Making Recommendations

نمایش نظرات

آموزش سیستم‌های توصیه‌گر: رویکردی کاربردی با استفاده از یادگیری عمیق
جزییات دوره
3h 45m
28
(آخرین آپدیت)
282
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده