آموزش ساخت یک سیستم توصیه با یادگیری ماشین و هوش مصنوعی پایتون

Building a Recommendation System with Python Machine Learning & AI

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: نحوه استفاده از پایتون - و برخی مفاهیم ضروری یادگیری ماشین - را برای ساختن برنامه هایی که می توانند توصیه کنند ، کشف کنید. در این دوره عملی ، لیلیان پیرسون ، P.E. انواع مختلف سیستم های پیشنهادی را در بر می گیرد و نحوه ساخت هر یک را نشان می دهد. او با استفاده از یک سری مثالها و تمرینات به شما کمک می کند تا مفاهیم عملکرد سیستمهای پیشنهادی را یاد بگیرید. هنگامی که با مفاهیم اساسی آشنا شدید ، لیلیان توضیح می دهد که چگونه می توان از روشهای آماری و یادگیری ماشین برای ساختن توصیه کنندگان خود استفاده کرد. وی نحوه ایجاد یک توصیه مبتنی بر محبوبیت با استفاده از کتابخانه Pandas ، چگونگی توصیه موارد مشابه براساس همبستگی و نحوه استقرار الگوریتم های مختلف یادگیری ماشین برای ارائه توصیه ها را نشان می دهد. در پایان دوره ، وی نشان می دهد که چگونه ارزیابی می کند که کدام پیشنهاد بهترین عملکرد را داشته است.
موضوعات شامل:
  • کار با سیستم های پیشنهادی
  • ارزیابی شباهت براساس همبستگی
  • ساختن یک توصیه مبتنی بر محبوبیت
  • توصیه های مبتنی بر طبقه بندی
  • ساخت سیستم فیلتر مشترک:
  • سیستم های پیشنهادی مبتنی بر محتوا
  • ارزیابی توصیه کنندگان

سرفصل ها و درس ها

مقدمه Introduction

  • خوش آمدی Welcome

  • با استفاده از پرونده های تمرینی Using the exercise files

1. رویکردهای ساده به سیستمهای پیشنهادی 1. Simple Approaches to Recommendation Systems

  • معرفی مفاهیم اصلی سیستمهای توصیه Introducing core concepts of recommendation systems

  • توصیه کنندگان مبتنی بر محبوبیت Popularity-based recommenders

  • ارزیابی شباهت مبتنی بر همبستگی Evaluating similarity based on correlation

2. سیستم های توصیه نامه یادگیری ماشین 2. Machine Learning Recommendation Systems

  • فیلتر مشارکتی مبتنی بر طبقه بندی Classification-based collaborative filtering

  • سیستم های فیلتر مشارکتی مبتنی بر مدل Model-based collaborative filtering systems

  • سیستم های پیشنهادی مبتنی بر محتوا Content-based recommender systems

  • ارزیابی سیستم های توصیه Evaluating recommendation systems

نتیجه Conclusion

  • مراحل بعدی Next steps

نمایش نظرات

Linkedin (لینکدین)

لینکدین: شبکه اجتماعی حرفه‌ای برای ارتباط و کارآفرینی

لینکدین به عنوان یکی از بزرگترین شبکه‌های اجتماعی حرفه‌ای، به میلیون‌ها افراد در سراسر جهان این امکان را می‌دهد تا ارتباط برقرار کنند، اطلاعات حرفه‌ای خود را به اشتراک بگذارند و فرصت‌های شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان می‌دهد تا رزومه حرفه‌ای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمن‌ها و گروه‌های حرفه‌ای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهره‌مند شوند.

لینکدین همچنین به کارفرمایان امکان می‌دهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفه‌ای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصت‌های شغلی و گسترش شبکه حرفه‌ای خود، نقش مهمی را ایفا می‌کند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفه‌ای در دنیای امروز مورد توجه قرار دارد.

آموزش ساخت یک سیستم توصیه با یادگیری ماشین و هوش مصنوعی پایتون
جزییات دوره
1h 38m
10
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
68,103
- از 5
ندارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Lillian Pierson, P.E. Lillian Pierson, P.E.

لیلیان پیرسون ، P.E. یک متخصص برجسته در زمینه داده های بزرگ و علوم داده است. او متخصصان و دانشجویان شاغل را به مهارتهای داده مورد نیاز برای رقابت در اقتصاد مبتنی بر داده محور تجهیز می کند. لیلیان اخیراً به عنوان مربی علوم داده برای چندین دوره در زمینه آموزش LinkedIn یاد شده است. او همچنین نویسنده چندین کتاب فنی بسیار مرجع توسط انتشارات جان ویلی و پسران ، از جمله شرکت Data Science for Dummies (2017 ، 2015) است و دهه گذشته را در آموزش و مشاوره برای سازمانهای بزرگ فنی در بخش خصوصی گذرانده است. بخش هایی مانند IBM ، BMC ، دل و اینتل و همچنین سازمان های دولتی از نیروی دریایی ایالات متحده تا سطح دولت محلی. به عنوان بنیانگذار Data-Mania LLC ، لیلیان دوره های آموزشی آنلاین و حضوری و همچنین کارگاه ها و سایر مواد آموزشی را در زمینه داده های بزرگ ، علوم داده و تجزیه و تحلیل داده ها ارائه می دهد.