آموزش ساخت سیستم های پیشنهادی با یادگیری ماشین و هوش مصنوعی

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

• تنظیم الگوریتم های فیلتر مشترک Tuning collaborative filtering algorithms

• ارزیابی سیستم های فیلتر مشترک به صورت آفلاین Evaluating collaborative filtering systems offline

• میزان ضربه فیلترهای مشترک مبتنی بر مورد را اندازه گیری کنید Measure the hit rate of item-based collaborative filtering

• توصیه کنندگان KNN KNN recommenders

• اجرای KNN مبتنی بر کاربر و مورد در MovieLens Running user- and item-based KNN on MovieLens

• با پارامترهای مختلف KNN آزمایش کنید Experiment with different KNN parameters

• هشدار لبه خونریزی: توصیه های مبتنی بر ترجمه Bleeding edge alert: Translation-based recommendations

7. روشهای فاکتورسازی ماتریس 7. Matrix Factorization Methods

• تجزیه و تحلیل مؤلفه اصلی (PCA) Principal component analysis (PCA)

• تجزیه ارزش واحد (SVD) Singular value decomposition (SVD)

• در حال اجرا SVD و SVD ++ در MovieLens Running SVD and SVD++ on MovieLens

• بهبود در SVD Improving on SVD

• اندازه گیری هایپرپارامترها را روی SVD تنظیم کنید Tune the hyperparameters on SVD

• هشدار لبه خونریزی: روش های خطی پراکنده (SLIM) Bleeding edge alert: Sparse linear methods (SLIM)

8- آشنایی با یادگیری عمیق 8. Introduction to Deep Learning

• معرفی یادگیری عمیق Deep learning introduction

• پیش نیازهای یادگیری عمیق Deep learning prerequisites

• تاریخچه شبکه های عصبی مصنوعی History of artificial neural networks

• بازی با TensorFlow Playing with TensorFlow

• آموزش شبکه های عصبی Training neural networks

• تنظیم شبکه های عصبی Tuning neural networks

• آشنایی با TensorFlow Introduction to TensorFlow

• تشخیص دست نویس با TensorFlow ، قسمت 1 Handwriting recognition with TensorFlow, part 1

• تشخیص دست نویس با TensorFlow ، قسمت 2 Handwriting recognition with TensorFlow, part 2

• آشنایی با کراس Introduction to Keras

• تشخیص دست نویس با کراس Handwriting recognition with Keras

• الگوهای طبقه بندی با کراس Classifier patterns with Keras

• پیش بینی احزاب سیاسی سیاستمداران با کراس Predict political parties of politicians with Keras

• معرفی به شبکه های عصبی حلقوی (CNNs) Intro to convolutional neural networks (CNNs)

• معماری های CNN CNN architectures

• شناخت دست نویس با CNN Handwriting recognition with CNNs

• معرفی به شبکه های عصبی مکرر (RNN) Intro to recurrent neural networks (RNNs)

• آموزش شبکه های عصبی مکرر Training recurrent neural networks

• تجزیه و تحلیل احساسات از بررسی فیلم با استفاده از RNNs و Keras Sentiment analysis of movie reviews using RNNs and Keras

9. یادگیری عمیق برای سیستم های توصیه کننده 9. Deep Learning for Recommender Systems

• معرفی به یادگیری عمیق برای توصیه کنندگان Intro to deep learning for recommenders

• دستگاه های بولتزمن محدود (RBM) Restricted Boltzmann machines (RBMs)

• 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

• محلول ورزش: حذف کاملتر Exercise solution: Outlier removal

• کلاهبرداری ، خطرات ناشی از کلیک و نگرانی های بین المللی Fraud, the perils of clickstream, and international concerns

• اثرات موقتی و توصیه های ارزش آگاهانه Temporal effects and value-aware recommendations

12. مطالعات موردی 12. Case Studies

• مطالعه موردی: YouTube ، قسمت 1 Case study: YouTube, part 1

• مطالعه موردی: YouTube ، قسمت 2 Case study: YouTube, part 2

• مطالعه موردی: نتفلیکس ، قسمت اول Case study: Netflix, part 1

• مطالعه موردی: نتفلیکس ، قسمت 2 Case study: Netflix, part 2

13. رویکردهای ترکیبی 13. Hybrid Approaches

• توصیه کنندگان ترکیبی و ورزش Hybrid recommenders and exercise

• راه حل ورزش: توصیه کنندگان ترکیبی Exercise solution: Hybrid recommenders

نتیجه Conclusion

• بیشتر برای کشف More to explore