سیستم‌های توصیه‌کننده: یک رویکرد کاربردی با استفاده از یادگیری عمیق [ویدئو]

Recommender Systems: An Applied Approach using Deep Learning [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: سیستم‌های توصیه‌کننده در زمینه‌های مختلف با نمونه‌های رایج مورد استفاده قرار می‌گیرند، از جمله تولیدکننده‌های لیست پخش برای سرویس‌های ویدئو و موسیقی، توصیه‌کنندگان محصول برای فروشگاه‌های آنلاین و پلت‌فرم‌های رسانه‌های اجتماعی، و توصیه‌کنندگان محتوای وب باز. سیستم‌های توصیه‌کننده نیز برای بررسی مقالات تحقیقاتی و کارشناسان، همکاران و خدمات مالی ایجاد شده‌اند. این دوره با مقدمه ای بر مفاهیم یادگیری عمیق برای توسعه سیستم های توصیه گر و یک نمای کلی دوره آغاز می شود. این دوره به موضوعات تحت پوشش، از جمله یادگیری عمیق برای سیستم های توصیه گر، درک مزایا و معایب یادگیری عمیق، استنتاج توصیه ها، و رویکرد توصیه مبتنی بر یادگیری عمیق پیشرفت می کند. سپس فیلترینگ مشارکتی عصبی را بررسی خواهید کرد و نحوه ساخت یک پروژه بر اساس سیستم توصیه محصول آمازون را یاد خواهید گرفت. شما یاد خواهید گرفت که بسته های مورد نیاز را نصب کنید، داده ها را برای توصیه محصولات تجزیه و تحلیل کنید، داده ها را آماده کنید و با استفاده از رویکرد دو برج توسعه مدل دهید. شما یاد خواهید گرفت که یک توصیه‌کننده TensorFlow را پیاده‌سازی کنید و یک مدل توصیه‌گر را آزمایش کنید. شما با استفاده از سیستم توصیه‌گر ساخته شده پیش‌بینی خواهید کرد. پس از تکمیل، می‌توانید مفاهیم و تئوری‌های سیستم‌های توصیه‌گر را در حوزه‌های مختلف به هم مرتبط کنید و مدل‌های یادگیری عمیق را برای ساختن سیستم‌های توصیه در دنیای واقعی پیاده‌سازی کنید. همه منابع در دسترس هستند: https://github.com/PacktPublishing/Recommender-Systems-An-Applied-Approach-using-Deep-Learning درباره یادگیری عمیق و سیستم های توصیه کننده اطلاعات کسب کنید. مکانیسم های رویکردهای مبتنی بر یادگیری عمیق را بیاموزید پیاده سازی کنید. یک مدل دو برجی برای توصیه‌کنندگان پیاده‌سازی TensorFlow برای توسعه یک سیستم توصیه‌گر یادگیری مدل‌های شبکه عصبی اولیه برای توصیه‌ها کاوش در فیلترهای مشترک عصبی و رمزگذارهای خودکار متغیر این دوره برای افرادی طراحی شده است که به دنبال ارتقای مهارت‌های خود در یادگیری عمیق کاربردی، درک روابط تحلیل داده‌ها با یادگیری عمیق، سیستم‌های توصیه‌کننده سفارشی برای کاربردهایشان بسازید و الگوریتم‌های یادگیری عمیق را برای سیستم‌های توصیه‌گر پیاده‌سازی کنید. افراد علاقه مند به سیستم های توصیه گر با کمک TensorFlow Recommenders از این دوره بهره مند خواهند شد. متخصصان یادگیری عمیق، محققان پژوهشی و دانشمندان داده نیز از این دوره بهره خواهند برد. پیش نیازها شامل دانش پایه تا متوسط ​​از کتابخانه پایتون و پاندا است. درک، پیاده سازی و ارزیابی مدل های یادگیری عمیق برای ساختن سیستم های توصیه در دنیای واقعی * اعتبارسنجی، آزمایش و پیش‌بینی با استفاده از سیستم‌های توصیه‌گر با کمک TensorFlow Recommenders * مزایا و چالش های یادگیری عمیق را در سیستم های توصیه گر کاوش کنید

سرفصل ها و درس ها

معرفی Introduction

  • درباره مربی About the Instructor

  • طرح کلی دوره Course Outline

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

  • معرفی ماژول Module Introduction

  • بررسی اجمالی Overview

  • یادگیری عمیق در سیستم های توصیه کننده Deep Learning in Recommender Systems

  • استنباط بعد از آموزش Inference after Training

  • مکانیسم استنتاج Inference Mechanism

  • جاسازی ها و زمینه کاربر Embeddings and User Context

  • فیلتر مشارکتی عصبی Neural Collaborative Filtering

  • فیلتر مشارکتی VAE VAE Collaborative Filtering

  • نقاط قوت و ضعف مدل های DL Strengths and Weaknesses of DL Models

  • آزمون یادگیری عمیق Deep Learning Quiz

  • راه حل آزمون یادگیری عمیق Deep Learning Quiz Solution

پروژه سیستم توصیه محصول آمازون Project Amazon Product Recommendation System

  • نمای کلی ماژول Module Overview

  • توصیه‌کنندگان تنسورفلو TensorFlow Recommenders

  • مدل دو برج Two-Tower Model

  • بررسی اجمالی پروژه Project Overview

  • دانلود کتابخانه ها Download Libraries

  • تجسم داده ها با WordCloud Data Visualization with WordCloud

  • تانسورها را از DataFrame بسازید Make Tensors from DataFrame

  • رتبه بندی داده های ما Rating Our Data

  • تقسیم تصادفی قطار-تست Random Train-Test Split

  • ساخت مدل و Query Tower Making the Model and Query Tower

  • برج کاندید و سیستم بازیابی Candidate Tower and Retrieval System

  • محاسبه ضرر Compute Loss

  • آموزش و اعتبارسنجی Train and Validation

  • دقت در مقابل توصیه ها Accuracy Versus Recommendations

  • ارائه توصیه ها Making Recommendations

نمایش نظرات

سیستم‌های توصیه‌کننده: یک رویکرد کاربردی با استفاده از یادگیری عمیق [ویدئو]
جزییات دوره
2 h 1 m
28
Packtpub Packtpub
(آخرین آپدیت)
از 5
ندارد
دارد
دارد
AI Sciences
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

AI Sciences AI Sciences

کارشناسان هوش مصنوعی و دانشمندان داده | رتبه ۴+ | 168+ کشور