لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش ساخت سیستم های پیشنهادی با یادگیری ماشین و هوش مصنوعی
Building Recommender Systems with Machine Learning and AI
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره:
توصیه های خودکار در همه جا وجود دارد: Netflix ، Amazon ، YouTube و موارد دیگر. سیستم های پیشنهادی درباره علایق منحصر به فرد شما اطلاعات کسب می کنند و محصولات یا محتوایی را که فکر می کنند بیشتر از همه دوست دارید ، نشان می دهند. کشف کنید که چگونه می توانید از یکی از پیشگامان این حوزه سیستم های پیشنهادی خود را بسازید. فرانک کین بیش از نه سال را در آمازون گذراند ، جایی که وی توسعه بسیاری از فن آوری های توصیه شده محصولات شخصی این شرکت را هدایت کرد. در این دوره ، وی الگوریتم های پیشنهادی مبتنی بر فیلتر مشارکتی محله محور و تکنیک های مدرن تر را شامل می شود ، از جمله فاکتوراسیون ماتریس و حتی یادگیری عمیق با شبکه های عصبی مصنوعی. در این راه ، می توانید از تجربه گسترده صنعت فرانک بیاموزید و چالش های واقعی استفاده از این الگوریتم ها را در مقیاس بزرگ با داده های دنیای واقعی درک کنید. شما همچنین می توانید عملی شوید ، چارچوب خود را برای آزمایش الگوریتم ها بسازید و شبکه های عصبی خود را با استفاده از فن آوری هایی مانند Amazon DSSTNE ، AWS SageMaker و TensorFlow ایجاد کنید.
موضوعات شامل:
معماری توصیه کنندگان Top-N
انواع توصیه کنندگان li>
اصول پایتون برای کار با توصیه کنندگان li>
ارزیابی سیستم های پیشنهادی li>
اندازه گیری توصیه شما li>
بررسی چارچوب پیشنهادی موتور li>
فیلتر محتوا li>
فیلتر مشارکتی محله محور li>
روشهای فاکتوراسیون ماتریس li>
اصول یادگیری عمیق li>
استفاده از یادگیری عمیق در توصیه ها li>
مقیاس گذاری با Apache Spark ، Amazon DSSTNE و AWS SageMaker
چالش ها و راه حل های دنیای واقعی با سیستم های پیشنهادی li>
مطالعات موردی از YouTube و Netflix
هیبرید ساختمان ، توصیه کنندگان گروه li>
سرفصل ها و درس ها
1. شروع کار
1. Getting Started
Anaconda را نصب کنید ، مواد دوره را مرور کنید و توصیه های فیلم را ایجاد کنید
Install Anaconda, review course materials, and create movie recommendations
نقشه راه دوره
Course roadmap
درک شما از طریق رتبه بندی های ضمنی و صریح
Understanding you through implicit and explicit ratings
معماری توصیه کننده Top-N
Top-N recommender architecture
اصول اولیه سیستم های پیشنهادی را مرور کنید
Review the basics of recommender systems
2. آشنایی با پایتون
2. Introduction to Python
ساختار داده در پایتون
Data structures in Python
توابع پایتون
Functions in Python
Booleans ، حلقه ها و چالش های دست و پا گیر
Booleans, loops, and a hands-on challenge
3. ارزیابی سیستم های پیشنهادی
3. Evaluating Recommender Systems
آموزش / آزمایش و اعتبار سنجی متقابل
Train/test and cross-validation
معیارهای دقت (RMSE و MAE)
Accuracy metrics (RMSE and MAE)
نرخ ضربه بالا-N: روش های زیادی
Top-N hit rate: Many ways
پوشش ، تنوع و جدید بودن
Coverage, diversity, and novelty
تست های Churn ، پاسخگویی و A / B
Churn, responsiveness, and A/B tests
راه های اندازه گیری توصیه خود را مرور کنید
Review ways to measure your recommender
پیاده روی ReklamaMetrics.py
Walkthrough of RecommenderMetrics.py
پیاده روی TestMetrics.py
Walkthrough of TestMetrics.py
عملکرد توصیههای SVD را اندازه بگیرید
Measure the performance of SVD recommendations
4. یک چارچوب موتور پیشنهادی
4. A Recommender Engine Framework
معماری موتور پیشنهادی ما
Our recommender engine architecture
پیاده روی موتور توصیه کننده ، قسمت 1
Recommender engine walkthrough, part 1
پیاده روی موتور توصیه کننده ، قسمت 2
Recommender engine walkthrough, part 2
نتایج ارزیابی الگوریتم ما را مرور کنید
Review the results of our algorithm evaluation
5. فیلتر مبتنی بر محتوا
5. Content-Based Filtering
توصیه های مبتنی بر محتوا و متریک شباهت کسین
Content-based recommendations and the cosine similarity metric
K-نزدیکترین همسایگان (KNN) و متن مطالب
K-nearest neighbors (KNN) and content recs
تولید و ارزیابی توصیه های فیلم مبتنی بر محتوا
Producing and evaluating content-based movie recommendations
هشدار لبه خونریزی: توصیه های مربوط به صحنه
Bleeding edge alert: Mise-en-scene recommendations
شیرجه های عمیق تر به توصیه های مبتنی بر محتوا بپردازید
Dive deeper into content-based recommendations
6. فیلترهای مشارکتی مبتنی بر محله
6. Neighborhood-Based Collaborative Filtering
اندازه گیری شباهت و کمبود
Measuring similarity and sparsity
معیارهای تشابه
Similarity metrics
فیلتر مشارکتی مبتنی بر کاربر
User-based collaborative filtering
فیلتر مشارکتی مبتنی بر کاربر: Hands-on
User-based collaborative filtering: Hands-on
فیلتر مشارکتی مبتنی بر مورد
Item-based collaborative filtering
فیلتر مشارکتی مبتنی بر مورد: دست در دست
Item-based collaborative filtering: Hands-on
توصیه های مربوط به RBM ها ، قسمت 1
Recommendations with RBMs, part 1
توصیه های مربوط به RBM ها ، قسمت 2
Recommendations with RBMs, part 2
ارزیابی توصیه کننده RBM
Evaluating the RBM recommender
تنظیم ماشین های بولتزمن محدود شده است
Tuning restricted Boltzmann machines
نتایج تمرین: تنظیم یک توصیه کننده RBM
Exercise results: Tuning a RBM recommender
رمزگذار خودکار برای توصیهها: یادگیری عمیق برای پیامها
Auto-encoders for recommendations: Deep learning for recs
توصیه هایی با شبکه های عصبی عمیق
Recommendations with deep neural networks
توصیه های Clickstream با RNN
Clickstream recommendations with RNNs
GRU4Rec را روی دسک تاپ خود کار کنید
Get GRU4Rec working on your desktop
نتایج تمرین: GRU4Rec در عمل
Exercise results: GRU4Rec in action
هشدار لبه خونریزی: دستگاه های فاکتور سازی عمیق
Bleeding edge alert: Deep factorization machines
بیشتر فناوری در حال ظهور برای تماشای
More emerging tech to watch
10. مقیاس کردن آن
10. Scaling It Up
معرفی و نصب آپاچی اسپارک
Introduction and installation of Apache Spark
معماری آپاچی جرقه
Apache Spark architecture
توصیه های فیلم با جرقه ، فاکتورسازی ماتریس و ALS
Movie recommendations with Spark, matrix factorization, and ALS
توصیه هایی از 20 میلیون رتبه بندی با Spark
Recommendations from 20 million ratings with Spark
آمازون DSSTNE
Amazon DSSTNE
DSSTNE در عمل
DSSTNE in action
مقیاس کردن DSSTNE
Scaling up DSSTNE
AWS SageMaker و ماشین آلات فاکتور سازی
AWS SageMaker and factorization machines
SageMaker در عمل: دستگاههای فاکتورسازی در یک میلیون رتبه بندی ، در ابر
SageMaker in action: Factorization machines on one million ratings, in the cloud
11. چالش های دنیای واقعی سیستم های پیشنهادی
11. Real-World Challenges of Recommender Systems
مشکل شروع سرما (و راه حل ها)
The cold start problem (and solutions)
اکتشاف تصادفی را اجرا کنید
Implement random exploration
راه حل ورزش: اکتشاف تصادفی
Exercise solution: Random exploration
لیست های لیست
Stoplists
لیست متوقف کننده را اجرا کنید
Implement a stoplist
راه حل تمرین: لیست متوقف کننده را اجرا کنید
Exercise solution: Implement a stoplist
حباب ها ، اعتماد و موارد دور را فیلتر کنید
Filter bubbles, trust, and outliers
کاربران دور افتاده را شناسایی و از بین ببرید
Identify and eliminate outlier users
لینکدین: شبکه اجتماعی حرفهای برای ارتباط و کارآفرینی
لینکدین به عنوان یکی از بزرگترین شبکههای اجتماعی حرفهای، به میلیونها افراد در سراسر جهان این امکان را میدهد تا ارتباط برقرار کنند، اطلاعات حرفهای خود را به اشتراک بگذارند و فرصتهای شغلی را کشف کنند. این شبکه اجتماعی به کاربران امکان میدهد تا رزومه حرفهای خود را آپدیت کنند، با همکاران، دوستان و همکاران آینده ارتباط برقرار کنند، به انجمنها و گروههای حرفهای ملحق شوند و از مقالات و مطالب مرتبط با حوزه کاری خود بهرهمند شوند.
لینکدین همچنین به کارفرمایان امکان میدهد تا به دنبال نیروهای با تجربه و مهارت مورد نیاز خود بگردند و ارتباط برقرار کنند. این شبکه حرفهای به عنوان یک پلتفرم کلیدی برای بهبود دسترسی به فرصتهای شغلی و گسترش شبکه حرفهای خود، نقش مهمی را ایفا میکند. از این رو، لینکدین به عنوان یکی از مهمترین ابزارهای کارآفرینی و توسعه حرفهای در دنیای امروز مورد توجه قرار دارد.
فرانک 9 سال را در آمازون و IMDb گذراند و فناوری را توسعه و مدیریت کرد که به طور خودکار توصیه های محصول و فیلم را به صدها میلیون مشتری ارائه می دهد. زمان. فرانک دارای 17 حق ثبت اختراع صادر شده در زمینه های محاسبات توزیع شده ، داده کاوی و یادگیری ماشین است. در سال 2012، فرانک شرکت موفق خود را به نام Sundog Software راه اندازی کرد که بر فناوری محیط واقعیت مجازی تمرکز دارد و به دیگران در مورد تجزیه و تحلیل داده های بزرگ آموزش می دهد.
نمایش نظرات