آموزش درک الگوریتم های سیستم های توصیه

Understanding Algorithms for Recommendation Systems

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: توصیه‌ها به کسب درآمد از داده‌های رفتار کاربر که کسب‌وکارها می‌گیرند کمک می‌کند. این دوره در مورد شناسایی روابط کاربر-محصول از داده‌ها با استفاده از الگوریتم‌های پیشنهادی مختلف است. علاوه بر کسب درآمد از داده‌های رفتار کاربر، الگوریتم‌های توصیه همچنین به استخراج توصیه‌های عملی از داده‌های رتبه‌بندی/خرید کاربر خام کمک می‌کنند. این دوره آموزشی، درک الگوریتم‌ها برای سیستم‌های توصیه‌ای، انواع مختلف الگوریتم‌های توصیه - فیلترینگ مبتنی بر محتوا، فیلتر کردن مشارکتی، و آموزش قوانین انجمن و زمان استفاده از هر یک از این انواع را پوشش می‌دهد. همچنین با الگوریتم‌های خاصی مانند مدل نزدیکترین همسایگان، تحلیل عامل پنهان و الگوریتم Apriori آشنا خواهید شد و آنها را بر روی مجموعه‌های داده واقعی پیاده‌سازی خواهید کرد. در نهایت، در مورد ماینینگ قوانینی که محصولات مختلف را مرتبط می کنند، یاد خواهید گرفت. در پایان این دوره، شما قادر خواهید بود الگوریتم پیشنهادی را متناسب با مشکل و مجموعه داده خود انتخاب کنید و از آن برای یافتن توصیه های مرتبط استفاده کنید.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

درک وظایف انجام شده توسط سیستم های توصیه Understanding Tasks Performed by Recommendation Systems

  • یافتن روابط بین کاربران و محصولات Finding Relationships Among Users and Products

  • انواع الگوریتم های توصیه Types of Recommendation Algorithms

  • کاوش بیشتر در فیلترینگ مبتنی بر محتوا Digging Deeper into Content Based Filtering

  • کاوش عمیق در فیلتر مشارکتی Digging Deeper into Collaborative Filtering

  • متضاد الگوریتم های پیشنهادی مختلف Contrasting Different Recommendation Algorithms

توصیه محصولات بر اساس مدل نزدیکترین همسایگان Recommending Products Based on the Nearest Neighbors Model

  • آشنایی با مدل نزدیکترین همسایه ها Understanding the Nearest Neighbors Model

  • اندازه گیری فاصله بین کاربران Measuring Distance Between Users

  • پیاده سازی مدل نزدیکترین همسایه ها Implementing the Nearest Neighbors Model

  • تنظیم مجموعه داده های تقاطع کتاب Setting up the Book Crossing Data Set

  • ایجاد ماتریس رتبه بندی Creating the Rating Matrix

  • محاسبه فاصله بین کاربران Computing the Distance Between Users

  • پیدا کردن نزدیکترین همسایه ها Finding Nearest Neighbors

  • یافتن بهترین توصیه های کتاب Finding Top N Book Recommendations

پیشنهاد محصولات بر اساس مدل عوامل پنهان Recommending Products Based on the Latent Factors Model

  • آشنایی با مدل عوامل پنهان Understanding the Latent Factors Model

  • مقایسه مدل‌های نزدیک‌ترین همسایه‌ها و عوامل پنهان Contrasting the Nearest Neighbors and Latent Factors Models

  • تجزیه ماتریس رتبه بندی Decomposing the Rating Matrix

  • ایجاد ماتریس رتبه بندی Creating the Rating Matrix

  • محاسبه تابع خطا Computing the Error Function

  • به حداقل رساندن خطا با استفاده از نزول گرادیان تصادفی Minimizing Error Using Stochastic Gradient Descent

  • پیاده سازی گرادیان نزولی تصادفی Implementing Stochastic Gradient Descent

استخراج داده ها برای قوانین زیربنای رفتار کاربر Mining Data for Rules Underlying User Behavior

  • درک قوانین انجمن Understanding Association Rules

  • اندازه گیری قدرت یک قانون Measuring the Strength of a Rule

  • استخراج قوانین با استفاده از الگوریتم Apriori Mining for Rules Using the Apriori Algorithm

  • محاسبه پشتیبانی برای یک مجموعه آیتم Computing the Support for an Item Set

  • پیاده سازی الگوریتم Apriori Implementing the Apriori Algorithm

نمایش نظرات

آموزش درک الگوریتم های سیستم های توصیه
جزییات دوره
2h 13m
26
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
76
4.4 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Swetha Kolalapudi Swetha Kolalapudi

Swetha عاشق بازی با داده ها و خرد کردن اعداد است تا اطلاعات خوبی کسب کند. او فارغ التحصیل مدارس عالی مانند IIT Madras و IIM احمدآباد است. وی اولین عضو تیم Elite Analytics نخبه Flipkart بود و در مقیاس دهی بیش از 100 کارمند نقش مهمی داشت. سوئتا همیشه تمایل به کارآفرینی و علاقه به تدریس داشته است. او اکنون این شانس را دارد که به عنوان بنیانگذار Loonycorn ، یک استودیوی محتوا با هدف ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی ، همکاری کند. Loonycorn در حال کار بر روی ساخت موتور (ثبت اختراع ثبت شده) برای خودکار کردن انیمیشن ها برای ارائه و محتوای آموزشی است.