نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
در این دوره ، شما دانش خود را در مورد مدل های طبقه بندی و جاسازی ها برای ساخت یک خط لوله ML که به عنوان یک موتور توصیه کار می کند ، اعمال می کنید. در این دوره ، شما دانش خود را در مورد مدل های طبقه بندی و تعبیه ها برای ساخت یک خط لوله ML استفاده می کنید که به صورت زیر عمل می کند: یک موتور توصیه
سرفصل ها و درس ها
بررسی اجمالی سیستم های پیشنهادی
Recommendation Systems Overview
-
مقدمه
Introduction
-
شروع کار با GCP و Qwiklabs
Getting started with GCP and Qwiklabs
-
مقدمه
Introduction
-
انواع سیستم های توصیه
Types of Recommendation Systems
-
محتوا محور یا مشارکتی
Content-Based or Collaborative
-
مشکلات سیستم توصیه شده
Recommendation System Pitfalls
-
بحث
Discussion
سیستم های پیشنهادی مبتنی بر محتوا
Content-Based Recommendation Systems
-
سیستم های پیشنهادی مبتنی بر محتوا
Content-Based Recommendation Systems
-
اقدامات شباهت
Similarity Measures
-
ساخت بردار کاربر
Building a User Vector
-
پیشنهادات با استفاده از بردار کاربر
Making Recommendations Using a User Vector
-
پیشنهادات برای بسیاری از کاربران
Making Recommendations for Many Users
-
مقدمه آزمایشگاه: یک سیستم توصیه مبتنی بر محتوا ایجاد کنید
Lab intro: Create a Content-Based Recommendation System
-
آزمایشگاه: فیلتر محتوا با دست
Lab: Content-Based Filtering by Hand
-
راه حل آزمایشگاهی: یک سیستم توصیه مبتنی بر محتوا ایجاد کنید
Lab Solution:Create a Content-Based Recommendation System
-
استفاده از شبکه های عصبی برای سیستم های توصیه مبتنی بر محتوا
Using Neural Networks for Content-Based Recommendation Systems
-
Intro Lab: با استفاده از شبکه عصبی ، یک سیستم توصیه مبتنی بر محتوا ایجاد کنید
Lab Intro: Create a Content-Based Recommendation System Using a Neural Network
-
آزمایشگاه: فیلتر مبتنی بر محتوا با استفاده از شبکه های عصبی
Lab: Content-Based Filtering using Neural Networks
-
راه حل آزمایشگاهی: با استفاده از شبکه عصبی سیستم پیشنهادی مبتنی بر محتوا ایجاد کنید
Lab Solution:Create a Content-Based Recommendation System Using a Neural Network
سیستم های توصیه شده فیلتراسیون همکار
COLLABORATIVE FILTERING RECOMMENDATION SYSTEMS
-
انواع داده های بازخورد کاربر
Types of User Feedback Data
-
جاسازی کاربران و موارد
Embedding Users and Items
-
رویکردهای فاکتورسازی
Factorization Approaches
-
الگوریتم ALS
The ALS Algorithm
-
آماده سازی داده های ورودی برای ALS
Preparing Input Data for ALS
-
ایجاد حسگرهای پراکنده برای ورودی کارآمد WALS
Creating Sparse Tensors For Efficient WALS Input
-
ایجاد برآوردگر WALS: از ورودی به برآوردگر
Instantiating a WALS Estimator:From Input to Estimator
-
تهیه برآوردگر WAL: رمزگشایی TFRecords
Instantiating a WAL Estimator:Decoding TFRecords
-
ایجاد برآوردگر WALS: بازیابی کلیدها
Instantiating a WALS Estimator:Recovering Keys
-
ایجاد یک برآوردگر WALS: آموزش و پیش بینی
Instantiating a WALS Estimator:Training and Prediction
-
معرفی آزمایشگاه: فیلتر کردن مشارکتی با داده های Google Analytics
Lab Intro:Collaborative Filtering with Google Analytics Data
-
آزمایشگاه: فیلتر کردن مشارکتی بر روی داده های Google Analytics
Lab: Collaborative Filtering on Google Analytics data
-
راه حل آزمایشگاهی: فیلتر کردن مشارکتی با داده های Google Analytics
Lab Solution:Collaborative Filtering with Google Analytics Data
-
مشکلات مربوط به فیلتر کردن مشارکتی
Issues with Collaborative Filtering
-
نسخه ی نمایشی WALS تولید شده است
Productionized WALS Demo
-
سرد شروع می شود
Cold Starts
شبکه های عصبی برای سیستم های توصیه
Neural Networks for Recommendation Systems
-
سیستم های پیشنهادی ترکیبی
Hybrid Recommendation Systems
-
آزمایشگاه: طراحی سیستم توصیه ترکیبی
Lab:Designing a Hybrid Recommendation System
-
آزمایشگاه: طراحی سیستم پیشنهادی فیلترهای مشترک ترکیبی
Lab:Designing a Hybrid Collaborative Filtering Recommendation System
-
آزمایشگاه: طراحی یک سیستم توصیه مبتنی بر دانش ترکیبی
Lab:Designing a Hybrid Knowledge-based Recommendation System
-
Intro Lab: ساخت سیستم توصیه های ترکیبی شبکه عصبی
Lab Intro: Building a Neural Network Hybrid Recommendation System
-
آزمایشگاه: سیستم پیشنهادی ترکیبی شبکه عصبی در Google Analytics
Lab: Neural network hybrid recommendation system on Google Analytics
-
راه حل آزمایشگاهی: ساخت یک سیستم توصیه ترکیبی شبکه عصبی
Lab Solution:Building a Neural Network Hybrid Recommendation System
-
زمینه های توصیه سیستم های آگاه
Context-Aware Recommendation Systems
-
الگوریتم های آگاه از زمینه
Context-Aware Algorithms
-
فیلترینگ پس زمینه
Contextual Postfiltering
-
مدل سازی با استفاده از الگوریتم های آگاه از زمینه
Modeling Using Context-Aware Algorithms
-
مطالعه موردی سیستم توصیه های YouTube: بررسی اجمالی
YouTube Recommendation System Case Study:Overview
-
مطالعه موردی سیستم توصیه های YouTube: تولید کاندیداها
YouTube Recommendation System Case Study:Candidate Generation
-
مطالعه موردی سیستم توصیه های YouTube: رتبه بندی
YouTube Recommendation System Case Study:Ranking
-
خلاصه
Summary
ساخت یک سیستم توصیه از پایان به پایان
Building an End-to-End Recommendation System
-
مقدمه
Introduction
-
بررسی اجمالی معماری
Architecture Overview
-
بررسی اجمالی آهنگساز ابر
Cloud Composer Overview
-
آهنگساز ابر: DAGs
Cloud Composer:DAGs
-
Cloud Composer: اپراتورهای ML
Cloud Composer:Operators for ML
-
آهنگساز ابر: برنامه ریزی
Cloud Composer:Scheduling
-
آهنگساز Cloud: راه اندازی گردش کار با عملکردهای Cloud
Cloud Composer:Triggering Workflows with Cloud Functions
-
آهنگساز ابر: نظارت و ورود به سیستم
Cloud Composer:Monitoring and Logging
-
معرفی آزمایشگاه: سیستم توصیه از پایان به پایان
Lab Intro: End-to-End Recommendation System
-
آزمایشگاه: سیستم پیشنهادی پایان به انتها
Lab: End to End Recommendation System
خلاصه
Summary
-
خلاصه دوره 1
Course Summary 1
-
خلاصه دوره 2
Course Summary 2
Pluralsight (پلورال سایت)
Pluralsight یکی از پرطرفدارترین پلتفرمهای آموزش آنلاین است که به میلیونها کاربر در سراسر جهان کمک میکند تا مهارتهای خود را توسعه دهند و به روز رسانی کنند. این پلتفرم دورههای آموزشی در زمینههای فناوری اطلاعات، توسعه نرمافزار، طراحی وب، مدیریت پروژه، و موضوعات مختلف دیگر را ارائه میدهد.
یکی از ویژگیهای برجسته Pluralsight، محتوای بروز و با کیفیت آموزشی آن است. این پلتفرم با همکاری با توسعهدهندگان و کارشناسان معتبر، دورههایی را ارائه میدهد که با توجه به تغییرات روزافزون در صنعت فناوری، کاربران را در جریان آخرین مفاهیم و تکنولوژیها نگه میدارد. این امر به کاربران این اطمینان را میدهد که دورههایی که در Pluralsight میپذیرند، با جدیدترین دانشها و تجارب به روز شدهاند.
نمایش نظرات