آموزش سیستم‌های پیشنهادی با یادگیری ماشینی [ویدئو]

Recommender Systems with Machine Learning [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: آیا تا به حال فکر کرده اید که YouTube چگونه فید شما را مطابق با محتوای مورد علاقه شما تنظیم می کند؟ تا به حال به این موضوع فکر کرده ای! چرا نتفلیکس شما برنامه های تلویزیونی مورد علاقه شما را توصیه می کند؟ آیا تا به حال خواسته اید یک سیستم توصیه کننده سفارشی برای خود بسازید؟ سپس این دوره ای است که شما به دنبال آن هستید. ما با مفاهیم نظری و دانش بنیادی سیستم های توصیه گر شروع خواهیم کرد. شما درک درستی از طبقه بندی های اساسی که پایه و اساس این سیستم ها را تشکیل می دهند به دست خواهید آورد. شما یاد خواهید گرفت که چگونه از قدرت پایتون برای ارزیابی مجموعه داده های سیستم های توصیه کننده خود بر اساس رتبه بندی کاربران، انتخاب های کاربر، ژانرهای موسیقی، دسته بندی فیلم ها و سال انتشار آنها استفاده کنید. یک رویکرد عملی برای ایجاد فیلترینگ مبتنی بر محتوا و تکنیک‌های فیلتر مشترک برای سیستم‌های توصیه‌گر اتخاذ خواهد شد. با حرکت رو به جلو، تمام مفاهیم اولیه و ضروری برای مدل های سیستم های توصیه گر کاربردی را همراه با مدل های یادگیری ماشینی خواهید آموخت. علاوه بر این، پروژه های مختلفی در این دوره گنجانده شده است تا تجربه بسیار مفیدی را برای شما ایجاد کند. در پایان این دوره، شما قادر خواهید بود مفاهیم و تئوری‌های سیستم‌های توصیه‌گر را در حوزه‌های مختلف به هم مرتبط کنید، مدل‌های یادگیری ماشینی را برای ساختن سیستم‌های توصیه در دنیای واقعی پیاده‌سازی کنید و مدل‌های یادگیری ماشین را ارزیابی کنید. همه فایل‌های منبع به مخزن GitHub اضافه می‌شوند: https://github.com/PacktPublishing/Recommender-Systems-with-Machine-Learning. به طبقه بندی اولیه سیستم های توصیه گر نگاه کنید تأثیر بیش برازش، عدم تناسب، سوگیری و واریانس را مطالعه کنید سیستم های توصیه گر مبتنی بر محتوا را با ML و Python بسازید سیستم های توصیه گر مبتنی بر آیتم را با استفاده از تکنیک های ML و پایتون بسازید یادگیری مدل‌سازی موتور توصیه‌گر مبتنی بر KNN برای برنامه‌ها هیچ دانش قبلی در مورد سیستم‌های توصیه‌گر، یادگیری ماشین، تجزیه و تحلیل داده‌ها یا ریاضیات لازم نیست. فقط دانش کاری اصول پایتون مورد نیاز است. شما از اصول اولیه شروع خواهید کرد و به تدریج دانش خود را در این موضوع ایجاد خواهید کرد. این دوره هم برای مبتدیان با تجربه برنامه نویسی طراحی شده است و هم برای کسانی که چیزی در مورد تجزیه و تحلیل داده ها، ML و RNN نمی دانند. این دوره برای افرادی مناسب است که می خواهند مهارت های خود را در ML ارتقا دهند، بر رابطه تجزیه و تحلیل داده ها با ML مسلط شوند، سیستم های توصیه کننده سفارشی برای برنامه های خود بسازند و الگوریتم های ML را برای سیستم های توصیه گر پیاده سازی کنند. ساختن سیستم های توصیه گر با استفاده از ML از منظر فیلترینگ مبتنی بر محتوا و مشارکتی * پیاده سازی ML با تجزیه و تحلیل داده ها بر روی مجموعه داده های دنیای واقعی فیلم ها و آهنگ های Spotify * آموزش برنامه نویسی با Python و نحوه استفاده از مفاهیم ML برای توسعه سیستم های توصیه گر

سرفصل ها و درس ها

معرفی Introduction

  • مقدمه علوم هوش مصنوعی AI Sciences Introduction

  • معرفی مربی Instructor Introduction

  • مروری بر سیستم های توصیه کننده Overview of Recommender Systems

  • مبانی سیستم های توصیه گر Fundamentals of Recommender Systems

  • بررسی اجمالی پروژه Project Overview

انگیزه برای سیستم توصیه کننده Motivation for Recommender System

  • نمای کلی سیستم های توصیه کننده Recommender Systems Overview

  • مقدمه ای بر سیستم های توصیه گر Introduction to Recommender Systems

  • فرآیند و اهداف سیستم های توصیه کننده Recommender Systems Process and Goals

  • نسل های سیستم های توصیه کننده Generations of Recommender Systems

  • Nexus از AI و سیستم های توصیه کننده Nexus of AI and Recommender Systems

  • برنامه های کاربردی و چالش های دنیای واقعی Applications and Real-World Challenges

  • امتحان Quiz

  • راه حل آزمون Quiz Solution

اصول سیستم های توصیه گر Basic of Recommender Systems

  • نمای کلی بخش Section Overview

  • طبقه بندی سیستم های توصیه کننده Taxonomy of Recommender Systems

  • ICM ICM

  • ماتریس رتبه بندی کاربران User Rating Matrix

  • کیفیت سیستم های توصیه گر Quality of Recommender Systems

  • تکنیک های ارزیابی آنلاین Online Evaluation Techniques

  • تکنیک های ارزیابی آفلاین Offline Evaluation Techniques

  • پارتیشن بندی داده ها Data Partitioning

  • پارامترهای مهم Important Parameters

  • خطا در محاسبه متریک Error Metric Computation

  • فیلترینگ مبتنی بر محتوا Content-Based Filtering

  • فیلتر مشارکتی و فیلتر مشارکتی مبتنی بر کاربر Collaborative Filtering and User-Based Collaborative Filtering

  • مدل آیتم و فیلتر مشارکتی مبتنی بر حافظه Item Model and Memory-Based Collaborative Filtering

  • امتحان Quiz

  • راه حل آزمون Quiz Solution

یادگیری ماشین برای سیستم توصیه‌کننده Machine Learning for Recommender System

  • بررسی اجمالی Overview

  • مزایای یادگیری ماشینی Benefits of Machine Learning

  • دستورالعمل برای ML Guidelines for ML

  • رویکردهای طراحی برای ML Design Approaches for ML

  • فیلترینگ مبتنی بر محتوا Content-Based Filtering

  • آماده سازی داده ها برای فیلترینگ مبتنی بر محتوا Data Preparation for Content-Based Filtering

  • دستکاری داده ها برای فیلترینگ مبتنی بر محتوا Data Manipulation for Content-Based Filtering

  • کاوش ژانرها در فیلترینگ مبتنی بر محتوا Exploring Genres in Content-Based Filtering

  • ماتریس tf-idf (فرکانس اصطلاح-فرکانس معکوس سند). tf-idf (Term Frequency-Inverse Document Frequency) Matrix

  • موتور توصیه Recommendation Engine

  • ارائه توصیه ها Making Recommendations

  • فیلتر مشارکتی مبتنی بر آیتم Item-Based Collaborative Filtering

  • آماده سازی داده های فیلترینگ مبتنی بر آیتم Item-Based Filtering Data Preparation

  • توزیع سنی برای کاربران Age Distribution for Users

  • فیلتر مشارکتی با استفاده از KNN Collaborative Filtering Using KNN

  • فیلتر جغرافیایی Geographic Filtering

  • پیاده سازی KNN KNN Implementation

  • ارائه توصیه با فیلتر مشارکتی Making Recommendations with Collaborative Filtering

  • فیلتر مشارکتی مبتنی بر کاربر User-Based Collaborative Filtering

  • امتحان Quiz

  • راه حل آزمون Quiz Solution

پروژه 1: سیستم توصیه آهنگ با استفاده از فیلترینگ مبتنی بر محتوا Project 1: Song Recommendation System Using Content-Based Filtering

  • معرفی پروژه Project Introduction

  • استفاده از مجموعه داده Dataset Usage

  • ارزش از دست رفته Missing Values

  • کاوش در ژانرها Exploring Genres

  • تعداد وقوع Occurrence Count

  • پیاده سازی tf-idf (فرکانس اصطلاح-فرکانس معکوس سند). tf-idf (Term Frequency-Inverse Document Frequency) Implementation

  • شاخص شباهت Similarity Index

  • پیاده سازی FuzzyWuzzy FuzzyWuzzy Implementation

  • عنوان st را پیدا کنید Find the st Title

  • ارائه توصیه ها Making Recommendations

پروژه 2: سیستم توصیه فیلم با استفاده از فیلتر مشارکتی Project 2: Movie Recommendation System Using Collaborative Filtering

  • معرفی پروژه Project Introduction

  • بحث مجموعه داده Dataset Discussion

  • طرح رتبه بندی Rating Plot

  • شمردن Count

  • لگاریتم شمارش Logarithm of Count

  • کاربران فعال و فیلم های محبوب Active Users and Popular Movies

  • ایجاد فیلتر مشارکتی Create Collaborative Filter

  • پیاده سازی KNN KNN Implementation

  • ارائه توصیه ها Making Recommendations

  • نتیجه گیری دوره Course Conclusion

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 سیستم‌های پیشنهادی با یادگیری ماشینی [ویدئو]
جزییات دوره
6 h 17 m
69
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