لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
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
نمایش نظرات