سیستم‌های توصیه‌گر: آموزش عملی و جامع (از صفر تا صد) - آخرین آپدیت

سرفصل ها و درس ها

مقدمه Introduction

• چرا سیستم‌های توصیه‌گر؟ Why recommendation systems?

1. آماده‌سازی داده‌ها 1. Data Prep

• مشکل شروع سرد (Cold Start) The cold start problem

• داده‌ها در سیستم‌های توصیه‌گر Data in recommendation systems

• تقسیم‌بندی داده‌ها Data splitting

• کدنویسی: آماده‌سازی داده‌ها Coding: Data prep

2. مدل‌سازی 2. Modeling

• ارزیابی سیستم‌های توصیه‌گر Evaluation of recommendation systems

• ساخت اولین راهکار فیلترینگ مبتنی بر محتوا Building your first content-based filtering solution

• ساخت اولین راهکار فیلترینگ مشارکتی Building your first collaborative filtering solution

• الگوریتم‌های سیستم‌های توصیه‌گر Recommendation systems algorithms

• کدنویسی: الگوریتم فیلترینگ مبتنی بر محتوا Coding: Content-based filtering algorithm

• فیلترینگ مشارکتی (Collaborative Filtering) Collaborative filtering

• فیلترینگ مبتنی بر محتوا (Content-based Filtering) Content-based filtering

• کدنویسی: الگوریتم فیلترینگ مشارکتی Coding: Collaborative filtering algorithm

3. استقرار (Deployment) 3. Deployment

• معماری‌های سیستم توصیه‌گر Recommendation system architectures

• کدنویسی: معماری دسته‌ای (Batch Architecture) Coding: Batch architecture

• ارزیابی در محیط عملیاتی (Production) Evaluation in production

4. عملیات یادگیری ماشین (MLOps) 4. MLOps

• تست‌ها در سیستم‌های توصیه‌گر Tests in recommendation systems

• چرخه حیات یادگیری ماشین The machine learning lifecycle

• کدنویسی: تست‌ها با GitHub Actions Coding: Tests with GitHub actions

جمع‌بندی Conclusion

• ادامه مسیر در دنیای سیستم‌های توصیه‌گر Continuing on with recommendation systems