آموزش ساخت سیستم‌های توصیه‌کننده با یادگیری ماشین و هوش مصنوعی [ویدئو]

Building Recommender Systems with Machine Learning and AI [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: این دوره به شما یاد می دهد که چگونه از پایتون، هوش مصنوعی (AI)، یادگیری ماشینی و یادگیری عمیق برای ساخت یک سیستم توصیه گر استفاده کنید. از ایجاد یک موتور توصیه ساده گرفته تا ساخت توصیه‌کنندگان مجموعه ترکیبی، مفاهیم کلیدی را به طور موثر و در یک زمینه دنیای واقعی یاد خواهید گرفت. دوره با مقدمه ای بر سیستم توصیه گر و پایتون شروع می شود. نحوه ارزیابی سیستم های توصیه گر را بیاموزید و معماری چارچوب موتور توصیه گر را بررسی کنید. در مرحله بعد، یاد خواهید گرفت که نحوه عملکرد توصیه های مبتنی بر محتوا را درک کنید و با فیلترهای مشارکتی مبتنی بر محله آشنا شوید. در ادامه، یاد خواهید گرفت که روش های مبتنی بر مدل را که در توصیه ها استفاده می شود، درک کنید، مانند فاکتورسازی ماتریس و تجزیه ارزش منفرد (SVD). در مرحله بعد، یاد خواهید گرفت که از یادگیری عمیق، هوش مصنوعی (AI) و شبکه های عصبی مصنوعی برای توصیه ها استفاده کنید و یاد خواهید گرفت که چگونه مجموعه داده های عظیم را با یادگیری ماشینی Apache Spark مقیاس بندی کنید. بعداً با چالش‌های دنیای واقعی سیستم‌های توصیه‌گر مواجه خواهید شد و نحوه حل آنها را یاد خواهید گرفت. در نهایت، سیستم توصیه یوتیوب و نتفلیکس را مطالعه خواهید کرد و متوجه خواهید شد که توصیه کننده ترکیبی چیست. در پایان این دوره، شما قادر خواهید بود سیستم های توصیه دنیای واقعی بسازید که به کاربران کمک می کند محصولات و محتوای جدید را به صورت آنلاین کشف کنند. تمام فایل های منبع به مخزن GitHub در آدرس زیر اضافه می شوند: https://github.com/packtpublishing/building-recommender-systems-with-machine-learning-and-ai یک نمای کلی از معماری سیستم های توصیه گر دریافت کنید الگوریتم های توصیه را با پایتون تست و ارزیابی کنید از K-Nearest-Neighbors برای توصیه موارد به کاربران استفاده کنید با سیستم‌های توصیه‌گر در مقیاس بزرگ راه‌حل‌هایی برای مشکلات رایج بیابید توصیه های مبتنی بر جلسه را با شبکه های عصبی مکرر ارائه دهید از Apache Spark برای محاسبه توصیه‌ها در مقیاس بزرگ در یک خوشه استفاده کنید این دوره برای توسعه‌دهندگان نرم‌افزار، مهندسان و دانشمندان کامپیوتری مناسب است که به دنبال ساخت سیستم‌های توصیه‌گر با استفاده از اصول یادگیری ماشین، یادگیری عمیق و هوش مصنوعی (AI) هستند. برای شروع این دوره به درک اولیه از برنامه نویسی و الگوریتم های پایتون نیاز است. یاد بگیرید چگونه با استفاده از روش‌ها و الگوریتم‌های مختلف سیستم‌های توصیه‌کننده بسازید * یادگیری‌های واقعی از Netflix و YouTube را در پروژه‌های توصیه‌شده خود به کار ببرید.

سرفصل ها و درس ها

شروع شدن Getting Started

  • نصب Anaconda، مواد درسی و ایجاد توصیه‌های فیلم Installing Anaconda, Course Materials, and Creating Movie Recommendations

  • نقشه راه دوره Course Roadmap

  • سیستم توصیه گر چیست؟ What Is a Recommender System?

  • انواع توصیه کننده ها Types of Recommenders

  • درک رتبه بندی ضمنی و صریح Understanding the Implicit and Explicit Ratings

  • معماری Top-N Recommender Top-N Recommender Architecture

  • اصول یک سیستم توصیه‌کننده را مرور کنید Review the Basics of a Recommender System

مقدمه ای بر پایتون Introduction to Python

  • مبانی پایتون (فعالیت) The Basics of Python (Activity)

  • ساختارهای داده در پایتون Data Structures in Python

  • توابع در پایتون Functions in Python

  • Booleans، Loops، and Hands-on Challenge (تمرین) Booleans, Loops, and a Hands-on Challenge (Exercise)

ارزیابی یک سیستم توصیه کننده Evaluating a Recommender System

  • آموزش/آزمون و اعتبارسنجی متقابل Train/Test and Cross-Validation

  • معیارهای دقت با استفاده از ریشه میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) Accuracy Metrics Using Root Mean Squared Error (RMSE) and Mean Absolute Error (MAE)

  • نرخ ضربه Top-N - راه های متعدد Top-N Hit Rate - Many Ways

  • پوشش، تنوع و تازگی Coverage, Diversity, and Novelty

  • تست های Churn، Responsiveness و A/B Churn, Responsiveness, and A/B Tests

  • مرور روش‌های اندازه‌گیری توصیه‌کننده شما (مسابقه) Reviewing Ways to Measure Your Recommender (Quiz)

  • مروری بر RecommenderMetrics.py (فعالیت) Walkthrough of RecommenderMetrics.py (Activity)

  • مروری بر TestMetrics.py (فعالیت) Walkthrough of TestMetrics.py (Activity)

  • اندازه‌گیری عملکرد تجزیه ارزش منفرد (SVD) توصیه‌ها (فعالیت) Measuring the Performance of Singular Value Decomposition (SVD) Recommendations (Activity)

چارچوب موتور پیشنهادی A Recommender Engine Framework

  • معماری موتور پیشنهادی Recommender Engine Architecture

  • مرور موتور پیشنهادی – قسمت 1 (فعالیت) Recommender Engine Walkthrough – Part 1 (Activity)

  • مرور موتور پیشنهادی – قسمت 2 (فعالیت) Recommender Engine Walkthrough – Part 2 (Activity)

  • بررسی نتایج ارزیابی الگوریتم ما (فعالیت) Reviewing the Results of Our Algorithm Evaluation (Activity)

فیلترینگ مبتنی بر محتوا Content-Based Filtering

  • توصیه های مبتنی بر محتوا و متریک تشابه کسینوس Content-Based Recommendations and the Cosine Similarity Metric

  • K-Nearest-Neighbors (KNN) و توصیه های محتوا K-Nearest-Neighbors (KNN) and Content Recommendations

  • تولید و ارزیابی توصیه های فیلم مبتنی بر محتوا (فعالیت) Producing and Evaluating Content-Based Movie Recommendations (Activity)

  • نکته ای در مورد استفاده از رتبه بندی ضمنی A Note on Using Implicit Ratings

  • هشدار لبه خونریزی! توصیه های میزانسن (فعالیت) Bleeding Edge Alert! Mise-En-Scene Recommendations (Activity)

  • غواصی عمیق در توصیه های مبتنی بر محتوا (تمرین) Diving Deep into Content-Based Recommendations (Exercise)

فیلتر مشارکتی مبتنی بر محله Neighborhood-Based Collaborative Filtering

  • اندازه گیری تشابه و پراکندگی Measuring Similarity and Sparsity

  • معیارهای تشابه Similarity Metrics

  • فیلتر مشارکتی مبتنی بر کاربر User-Based Collaborative Filtering

  • فیلتر مشارکتی مبتنی بر کاربر - عملی (فعالیت) User-Based Collaborative Filtering - Hands-On (Activity)

  • فیلتر مشارکتی مبتنی بر آیتم Item-Based Collaborative Filtering

  • فیلتر مشارکتی مبتنی بر آیتم - عملی (فعالیت) Item-Based Collaborative Filtering - Hands-On (Activity)

  • تنظیم الگوریتم های فیلتر مشارکتی (تمرین) Tuning Collaborative Filtering Algorithms (Exercise)

  • ارزیابی سیستم های فیلتر مشارکتی آفلاین (فعالیت) Evaluating Collaborative Filtering Systems Offline (Activity)

  • اندازه گیری میزان بازدید فیلتر مشارکتی مبتنی بر آیتم (تمرین) Measuring the Hit Rate of Item-based Collaborative Filtering (Exercise)

  • توصیه کنندگان K-Nearest-Neighbor (KNN). K-Nearest-Neighbor (KNN) Recommenders

  • اجرای K-Nearest-Neighbor مبتنی بر کاربر و آیتم (KNN) در مجموعه داده MovieLens (فعالیت) Running User-Based and Item-Based K-Nearest-Neighbor (KNN) on MovieLens Dataset (Activity)

  • آزمایش با پارامترهای مختلف K-نزدیکترین همسایه (KNN) (تمرین) Experimenting with Different K-Nearest-Neighbor (KNN) Parameters (Exercise)

  • هشدار لبه خونریزی! توصیه های مبتنی بر ترجمه Bleeding Edge Alert! Translation-Based Recommendations

روشهای فاکتورسازی ماتریسی Matrix Factorization Methods

  • تجزیه و تحلیل اجزای اصلی (PCA) Principal Component Analysis (PCA)

  • تجزیه ارزش منفرد (SVD) Singular Value Decomposition (SVD)

  • اجرای تجزیه ارزش واحد (SVD) و تجزیه ارزش واحد (SVD ++) در MovieLens (Activity) Running Singular Value Decomposition (SVD) and Singular Value Decomposition (SVD ++) on MovieLens (Activity)

  • بهبود تجزیه ارزش منفرد (SVD) Improving on Singular Value Decomposition (SVD)

  • تنظیم فراپارامترها در تجزیه ارزش منفرد (SVD) (تمرین) Tuning the Hyperparameters on Singular Value Decomposition (SVD) (Exercise)

  • هشدار خونریزی لبه! روش‌های خطی پراکنده (SLIM) Bleeding-Edge Alert! Sparse Linear Methods (SLIM)

مقدمه ای بر یادگیری عمیق (اختیاری) Introduction to Deep Learning (Optional)

  • مقدمه یادگیری عمیق Deep Learning Introduction

  • پیش نیازهای یادگیری عمیق Deep Learning Prerequisites

  • تاریخچه شبکه های عصبی مصنوعی (ANN) History of Artificial Neural Networks (ANN)

  • (فعالیت) بازی با تنسورفلو (Activity) Playing with TensorFlow

  • آموزش شبکه های عصبی Training Neural Networks

  • تنظیم شبکه های عصبی (جلوگیری از برازش بیش از حد) Tuning Neural Networks (Avoiding Overfitting)

  • توابع فعال سازی: عمق بیشتر Activation Functions: More Depth

  • مقدمه ای بر TensorFlow Introduction to TensorFlow

  • تشخیص دست خط با TensorFlow – قسمت 1 (فعالیت) Handwriting Recognition with TensorFlow – Part 1 (Activity)

  • تشخیص دست خط با TensorFlow - قسمت 2 (فعالیت) Handwriting Recognition with TensorFlow – Part 2 (Activity)

  • معرفی کراس Introduction to Keras

  • تشخیص دست خط با کراس (فعالیت) Handwriting Recognition with Keras (Activity)

  • الگوهای طبقه بندی کننده با Keras Classifier Patterns with Keras

  • پیش بینی احزاب سیاسی سیاستمداران با کراس (تمرین) Predicting Political Parties of Politicians with Keras (Exercise)

  • مقدمه ای بر شبکه عصبی کانولوشنال (CNN) Introduction to Convolutional Neural Network (CNN)

  • معماری شبکه عصبی کانولوشن (CNN). Convolutional Neural Network (CNN) Architecture

  • تشخیص دست خط با شبکه عصبی کانولوشن (CNN) (فعالیت) Handwriting Recognition with Convolutional Neural Network (CNN) (Activity)

  • مقدمه ای بر شبکه های عصبی بازگشتی (RNN) Introduction to Recurrent Neural Networks (RNN)

  • آموزش شبکه های عصبی مکرر (RNN) Training Recurrent Neural Networks (RNN)

  • تحلیل احساسات نقدهای فیلم با استفاده از شبکه‌های عصبی تکراری (RNN) و Keras (فعالیت) Sentiment Analysis of Movie Reviews Using Recurrent Neural Networks (RNN) and Keras (Activity)

  • تنظیم شبکه های عصبی Tuning Neural Networks

  • تکنیک های تنظیم شبکه عصبی Neural Network Regularization Techniques

  • شبکه های متخاصم مولد (GAN) Generative Adversarial Networks (GANs)

  • GANs در عمل GANs in Action

  • تولید تصاویر لباس با شبکه های متخاصم مولد (فعالیت) Generating Images of Clothing with Generative Adversarial Networks (Activity)

یادگیری عمیق برای سیستم های توصیه کننده Deep Learning for Recommender Systems

  • مقدمه ای بر یادگیری عمیق برای توصیه کنندگان Introduction to Deep Learning for Recommenders

  • ماشین بولتزمن محدود (RBM) Restricted Boltzmann Machine (RBM)

  • توصیه هایی با ماشین محدود بولتزمن (RBM) - قسمت 1 (فعالیت) Recommendations with Restricted Boltzmann Machine (RBM) – Part 1 (Activity)

  • توصیه‌هایی با ماشین محدود بولتزمن (RBM) - قسمت 2 (فعالیت) Recommendations with Restricted Boltzmann Machine (RBM) – Part 2 (Activity)

  • ارزیابی ماشین محدود بولتزمن (RBM) توصیه کننده (فعالیت) Evaluating the Restricted Boltzmann Machine (RBM) Recommender (Activity)

  • تنظیم محدود ماشین بولتزمن (RBM) (ورزش) Tuning Restricted Boltzmann Machine (RBM) (Exercise)

  • نتایج تمرین: تنظیم یک ماشین محدود بولتزمن (RBM) توصیه کننده Exercise Results: Tuning a Restricted Boltzmann Machine (RBM) Recommender

  • رمزگذارهای خودکار برای توصیه ها: یادگیری عمیق برای توصیه Auto-Encoders for Recommendations: Deep Learning for Recommendation

  • توصیه هایی با شبکه های عصبی عمیق (فعالیت) Recommendations with Deep Neural Networks (Activity)

  • توصیه‌های جریان کلیک با شبکه‌های عصبی مکرر (RNN) Clickstream Recommendations with Recurrent Neural Networks (RNN)

  • کار کردن GRU4Rec روی دسکتاپ شما (ورزش) Getting GRU4Rec to Work on Your Desktop (Exercise)

  • نتایج تمرین: GRU4Rec در عمل Exercise Results: GRU4Rec in Action

  • هشدار لبه خونریزی! شبکه های متخاصم مولد برای توصیه ها Bleeding Edge Alert! Generative Adversarial Networks for Recommendations

  • توصیه‌کنندگان TensorFlow (TFRS): معرفی و ایجاد مرحله بازیابی TensorFlow Recommenders (TFRS): Introduction and Building a Retrieval Stage

  • توصیه‌کنندگان TensorFlow (TFRS): ایجاد مرحله رتبه‌بندی TensorFlow Recommenders (TFRS): Building a Ranking Stage

  • توصیه‌کننده‌های TensorFlow (TFRS): شامل ویژگی‌های جانبی و بازیابی عمیق TensorFlow Recommenders (TFRS): Incorporating Side Features and Deep Retrieval

  • توصیه‌کننده‌های TensorFlow (TFRS): توصیه‌کننده‌های چند وظیفه‌ای، شبکه‌های عمیق و متقاطع، ScaNN و سرویس دهی TensorFlow Recommenders (TFRS): Multi-Task Recommenders, Deep and Cross Networks, ScaNN, and Serving

  • هشدار لبه خونریزی! ماشین های فاکتورسازی عمیق Bleeding Edge Alert! Deep Factorization Machines

  • فناوری های نوظهور بیشتر برای تماشا More Emerging Tech to Watch

بزرگ کردن آن Scaling It Up

  • معرفی و نصب Apache Spark (Activity) Introduction and Installation of Apache Spark (Activity)

  • معماری اسپارک آپاچی Apache Spark Architecture

  • توصیه‌های فیلم با جرقه، فاکتورسازی ماتریس، و حداقل مربعات متناوب (ALS) (فعالیت) Movie Recommendations with Spark, Matrix Factorization, and Alternating Least Squares (ALS) (Activity)

  • توصیه هایی از 20 میلیون رتبه با اسپارک (فعالیت) Recommendations from 20 Million Ratings with Spark (Activity)

  • موتور شبکه تنسور مقیاس پذیر عمیق آمازون (DSSTNE) Amazon Deep Scalable Sparse Tensor Network Engine (DSSTNE)

  • موتور شبکه تنسور مقیاس پذیر عمیق آمازون (DSSTNE) در حال فعالیت است Amazon Deep Scalable Sparse Tensor Network Engine (DSSTNE) in Action

  • افزایش مقیاس‌پذیری موتور شبکه تنسور عمیق مقیاس‌پذیر آمازون (DSSTNE) Scaling Up Amazon Deep Scalable Sparse Tensor Network Engine (DSSTNE)

  • سرویس‌های وب آمازون (AWS) SageMaker و ماشین‌های فاکتورسازی Amazon Web Services (AWS) SageMaker and Factorization Machines

  • Amazon SageMaker در عمل: ماشین های فاکتورسازی در یک میلیون رتبه در فضای ابری Amazon SageMaker in Action: Factorization Machines on One Million Ratings in the Cloud

  • سایر سیستم‌های Note (Amazon Personalize، RichRelevance، Recombee و بیشتر) Other Systems of Note (Amazon Personalize, RichRelevance, Recombee, and More)

  • معماری سیستم توصیه کننده Recommender System Architecture

چالش های دنیای واقعی سیستم های توصیه کننده Real-World Challenges of Recommender Systems

  • مشکل شروع سرد (و راه حل ها) The Cold Start Problem (and Solutions)

  • اجرای اکتشاف تصادفی (تمرین) Implementing Random Exploration (Exercise)

  • راه حل تمرین - کاوش تصادفی Exercise Solution – Random Exploration

  • توقف کنندگان Stoplists

  • پیاده سازی Stoplist (تمرین) Implementing a Stoplist (Exercise)

  • راه حل تمرین - پیاده سازی Stoplist Exercise Solution – Implementing a Stoplist

  • فیلتر کردن حباب ها، اعتماد و موارد دور از دسترس Filtering Bubbles, Trust, and Outliers

  • شناسایی و حذف کاربران پرت (تمرین) Identifying and Eliminating Outlier Users (Exercise)

  • راه حل تمرین: حذف نقاط پرت Exercise Solution: Outlier Removal

  • تقلب، خطرات کلیک استریم، و نگرانی های بین المللی Fraud, the Perils of Clickstream, and International Concerns

  • اثرات زمانی و توصیه‌های ارزش‌آگاه Temporal Effects and Value-Aware Recommendations

مطالعات موردی Case Studies

  • مطالعه موردی: YouTube – قسمت 1 Case Study: YouTube – Part 1

  • مطالعه موردی: YouTube – قسمت 2 Case Study: YouTube – Part 2

  • مطالعه موردی: نتفلیکس – قسمت 1 Case Study: Netflix – Part 1

  • مطالعه موردی: نتفلیکس – قسمت 2 Case Study: Netflix – Part 2

رویکردهای ترکیبی Hybrid Approaches

  • توصیه کننده های ترکیبی و ورزش Hybrid Recommenders and Exercise

  • راه حل تمرین: توصیه کنندگان ترکیبی Exercise Solution: Hybrid Recommenders

بسته بندی Wrapping Up

  • بیشتر برای کاوش More to Explore

نمایش نظرات

Packtpub یک ناشر دیجیتالی کتاب‌ها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرم‌افزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتاب‌ها، ویدیوها و دوره‌های آموزشی می‌پردازد که به توسعه‌دهندگان و متخصصان فناوری اطلاعات کمک می‌کند تا مهارت‌های خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامه‌نویسی، توسعه وب، داده‌کاوی، امنیت سایبری و هوش مصنوعی را پوشش می‌دهد. محتوای این منابع به صورت کاربردی و به‌روز ارائه می‌شود تا کاربران بتوانند دانش و توانایی‌های لازم برای موفقیت در پروژه‌های عملی و حرفه‌ای خود را کسب کنند.

آموزش ساخت سیستم‌های توصیه‌کننده با یادگیری ماشین و هوش مصنوعی [ویدئو]
جزییات دوره
11 h 24 m
122
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
Frank Kane
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Frank Kane Frank Kane

یادگیری ماشین و داده های بزرگ، آمازون سابق

فرانک 9 سال را در آمازون و IMDb گذراند و فناوری را توسعه و مدیریت کرد که به طور خودکار توصیه های محصول و فیلم را به صدها میلیون مشتری ارائه می دهد. زمان. فرانک دارای 17 حق ثبت اختراع صادر شده در زمینه های محاسبات توزیع شده ، داده کاوی و یادگیری ماشین است. در سال 2012، فرانک شرکت موفق خود را به نام Sundog Software راه اندازی کرد که بر فناوری محیط واقعیت مجازی تمرکز دارد و به دیگران در مورد تجزیه و تحلیل داده های بزرگ آموزش می دهد.