آموزش سیستم‌های توصیه‌گر با یادگیری ماشین - آخرین آپدیت

دانلود Recommender Systems with Machine Learning

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: این دوره با مفاهیم نظری و دانش بنیادی سیستم‌های توصیه‌گر آغاز شده و طبقه‌بندی‌های ضروری را پوشش می‌دهد. شما یاد می‌گیرید که چگونه با استفاده از پایتون، مجموعه‌داده‌ها را بر اساس امتیازات کاربران، انتخاب‌ها، ژانرها و سال‌های انتشار ارزیابی کنید. رویکردهای کاربردی به شما کمک می‌کند تا تکنیک‌های فیلترینگ مبتنی بر محتوا (Content-Based) و فیلترینگ مشارکتی (Collaborative Filtering) را پیاده‌سازی کنید. با پیشروی در دوره، مفاهیم لازم برای سیستم‌های توصیه‌گر کاربردی و مدل‌های یادگیری ماشین را فرا می‌گیرید و از طریق پروژه‌های عملی، تجربه دست‌اول کسب خواهید کرد. آموزه‌های کلیدی شامل مبانی یکپارچه با هوش مصنوعی، تاکسونومی، بیش‌برازش (Overfitting)، کم‌برازش (Underfitting)، بایاس، واریانس و ساخت سیستم‌های مبتنی بر محتوا و آیتم با استفاده از ML و پایتون، از جمله موتورهای مبتنی بر KNN است. این دوره برای مبتدیان و کسانی که تجربه برنامه‌نویسی دارند مناسب است و هدف آن ارتقای مهارت‌های یادگیری ماشین و ساخت سیستم‌های توصیه‌گر سفارشی است. برای شروع، نیازی به دانش قبلی در مورد سیستم‌های توصیه‌گر، یادگیری ماشین، تحلیل داده‌ها یا ریاضیات نیست و تنها دانستن مبانی پایتون کافی است. در پایان، شما قادر خواهید بود تئوری‌ها را در دامنه‌های مختلف به کار ببرید، مدل‌های ML را برای سیستم‌های توصیه‌گر دنیای واقعی پیاده‌سازی و ارزیابی کنید.

سرفصل ها و درس ها

مقدمه Introduction

  • مقدمه‌ای بر علوم هوش مصنوعی AI Sciences Introduction

  • معرفی مدرس Instructor Introduction

  • مروری بر سیستم‌های توصیه‌گر Overview of Recommender Systems

  • اصول بنیادی سیستم‌های توصیه‌گر Fundamentals of Recommender Systems

  • مرور کلی پروژه Project Overview

انگیزه‌های سیستم توصیه‌گر Motivation for Recommender System

  • نمای کلی سیستم‌های توصیه‌گر Recommender Systems Overview

  • آشنایی با سیستم‌های توصیه‌گر Introduction to Recommender Systems

  • فرآیندها و اهداف سیستم‌های توصیه‌گر Recommender Systems Process and Goals

  • نسل‌های مختلف سیستم‌های توصیه‌گر Generations of Recommender Systems

  • ارتباط هوش مصنوعی و سیستم‌های توصیه‌گر Nexus of AI and Recommender Systems

  • کاربردها و چالش‌های دنیای واقعی Applications and Real-World Challenges

  • آزمون Quiz

  • پاسخ‌های آزمون Quiz Solution

مبانی سیستم‌های توصیه‌گر Basic of Recommender Systems

  • مرور کلی بخش Section Overview

  • طبقه‌بندی (تاکسونومی) سیستم‌های توصیه‌گر Taxonomy of Recommender Systems

  • مدل ICM ICM

  • ماتریس امتیازدهی کاربر User Rating Matrix

  • کیفیت سیستم‌های توصیه‌گر Quality of Recommender Systems

  • تکنیک‌های ارزیابی آنلاین Online Evaluation Techniques

  • تکنیک‌های ارزیابی آفلاین Offline Evaluation Techniques

  • بخش‌بندی داده‌ها Data Partitioning

  • پارامترهای مهم Important Parameters

  • محاسبه معیارهای خطا Error Metric Computation

  • فیلترینگ مبتنی بر محتوا Content-Based Filtering

  • فیلترینگ مشارکتی و فیلترینگ مشارکتی کاربر-محور Collaborative Filtering and User-Based Collaborative Filtering

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

  • آزمون Quiz

  • پاسخ‌های آزمون Quiz Solution

یادگیری ماشین برای سیستم‌های توصیه‌گر Machine Learning for Recommender System

  • مرور کلی Overview

  • مزایای یادگیری ماشین Benefits of Machine Learning

  • دستورالعمل‌های یادگیری ماشین Guidelines for ML

  • رویکردهای طراحی برای ML Design Approaches for ML

  • فیلترینگ مبتنی بر محتوا Content-Based Filtering

  • آماده‌سازی داده‌ها برای فیلترینگ مبتنی بر محتوا Data Preparation for Content-Based Filtering

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

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

  • ماتریس tf idf (تکرار اصطلاح - معکوس فراوانی سند) tf-idf (Term Frequency-Inverse Document Frequency) Matrix

  • موتور توصیه‌گر Recommendation Engine

  • ارائه توصیه‌ها Making Recommendations

  • فیلترینگ مشارکتی آیتم-محور Item-Based Collaborative Filtering

  • آماده‌سازی داده‌ها برای فیلترینگ آیتم-محور Item-Based Filtering Data Preparation

  • توزیع سنی کاربران Age Distribution for Users

  • فیلترینگ مشارکتی با استفاده از KNN Collaborative Filtering Using KNN

  • فیلترینگ جغرافیایی Geographic Filtering

  • پیاده‌سازی KNN KNN Implementation

  • ارائه توصیه‌ها با فیلترینگ مشارکتی Making Recommendations with Collaborative Filtering

  • فیلترینگ مشارکتی کاربر-محور User-Based Collaborative Filtering

  • آزمون Quiz

  • پاسخ‌های آزمون Quiz Solution

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

  • معرفی پروژه Project Introduction

  • استفاده از مجموعه‌داده Dataset Usage

  • مقادیر گم‌شده (Missing Values) Missing Values

  • بررسی ژانرها Exploring Genres

  • شمارش تکرارها Occurrence Count

  • پیاده‌سازی tf idf tf-idf (Term Frequency-Inverse Document Frequency) Implementation

  • شاخص شباهت Similarity Index

  • پیاده‌سازی FuzzyWuzzy FuzzyWuzzy Implementation

  • یافتن نزدیک‌ترین عنوان Find the Closest Title

  • ارائه توصیه‌ها Making Recommendations

پروژه دوم: سیستم توصیه‌گر فیلم با استفاده از فیلترینگ مشارکتی Project 2: Movie Recommendation System Using Collaborative Filtering

  • معرفی پروژه Project Introduction

  • بحث پیرامون مجموعه‌داده Dataset Discussion

  • نمودار امتیازات Rating Plot

  • شمارش Count

  • لگاریتم شمارش Logarithm of Count

  • کاربران فعال و فیلم‌های محبوب Active Users and Popular Movies

  • ساخت فیلتر مشارکتی Create Collaborative Filter

  • پیاده‌سازی KNN KNN Implementation

  • ارائه توصیه‌ها Making Recommendations

  • جمع‌بندی دوره Course Conclusion

نمایش نظرات

آموزش سیستم‌های توصیه‌گر با یادگیری ماشین
جزییات دوره
8h 15m
69
(آخرین آپدیت)
530
- از 5
دارد
دارد
دارد
Chris Croft
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Chris Croft Chris Croft

مربی مدیریت، سخنران، نویسنده