آموزش Recommender Systems دوره کامل مبتدی تا پیشرفته [ویدئو]

Recommender Systems Complete Course Beginner to Advanced [Video]

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
توضیحات دوره: سیستم‌های توصیه‌کننده الگوریتم‌هایی هستند که موارد مرتبط (فیلم، کتاب، محصولات یا خدمات) را به کاربران پیشنهاد می‌کنند. سیستم های توصیه گر در صنایع خاص برای ایجاد درآمدهای هنگفت کارآمد یا متمایز شدن از رقبا بسیار حیاتی هستند. این دوره با مفاهیم اولیه سیستم توصیه گر آغاز می شود. شما با استفاده از یادگیری ماشینی و عمیق با پایتون، طبقه بندی های مهم سیستم توصیه گر و توسعه مکانیزم سیستم توصیه گر را خواهید آموخت. پایتون به عنوان یک زبان برنامه نویسی در این دوره آموزش داده می شود تا مفاهیم یادگیری ماشینی و عمیق را به طور موثر پیاده سازی کند. شما یک موتور توصیه‌گر مبتنی بر k نزدیک‌ترین همسایه را برای کاربردهای مختلف مدل‌سازی می‌کنید و مزایا و معایب مکانیسم‌های مبتنی بر یادگیری عمیق را می‌شناسید. شما یک سیستم توصیه‌کننده برای برنامه‌هایی مانند Spotify خواهید ساخت و فیلترهای مشارکتی عصبی و رمزگذارهای خودکار متغیر را برای فیلترهای مشترک بررسی می‌کنید. شما ماتریس های مختلف (زمینه آیتم، رتبه بندی کاربر و خطا) را بررسی خواهید کرد. شما کیفیت سیستم توصیه‌کننده، تکنیک‌های ارزیابی آنلاین/آفلاین، پارتیشن‌بندی مجموعه داده‌ها و برازش بیش از حد را درک خواهید کرد. پس از اتمام دوره، نقش و تأثیر سیستم های توصیه گر در برنامه های کاربردی دنیای واقعی را با تجربه عملی منحصر به فرد در توسعه موتورهای سیستم توصیه گر کامل برای مجموعه داده های سفارشی شده در پروژه های مختلف درک خواهید کرد. همه منابع در دسترس هستند: https://github.com/PacktPublishing/Recommender-Systems-Complete-Course-Beginner-to-Advance کاوش سیستم های توصیه گر با هوش مصنوعی یکپارچه ساخت سیستم های توصیه کننده مبتنی بر آیتم با یادگیری ماشین/Python درک حرفه ای ها و معایب یادگیری عمیق در سیستم‌های توصیه‌گر مدل‌های اولیه شبکه عصبی را برای توصیه‌ها بیاموزید درک مکانیسم رویکردهای مبتنی بر یادگیری عمیق عمومی پیاده‌سازی مدل‌های دو برج برای توسعه یک سیستم توصیه‌گر این دوره برای افرادی طراحی شده است که می‌خواهند ماشین کاربردی/عمیق خود را پیش ببرند. یادگیری و تسلط بر تجزیه و تحلیل داده ها؛ افرادی که مایلند سیستم های توصیه گر سفارشی برای برنامه های خود بسازند و الگوریتم های یادگیری ماشینی/عمیق را پیاده سازی کنند. افراد علاقه مند به محتوا و مبتنی بر فیلتر مشارکتی و دو سیستم توصیه گر مبتنی بر برج. متخصصان ماشین و یادگیری عمیق، محققان پژوهشی و دانشمندان داده نیز از این دوره بهره مند خواهند شد. به عنوان پیش نیاز، هیچ سیستم توصیه کننده قبلی، ML، دانش تجزیه و تحلیل داده ها مورد نیاز نیست. دانش پایه پایتون مورد نیاز است. این بسته کامل به بررسی برنامه های سیستم توصیه گر و یادگیری ماشینی/عمیق با پایتون می پردازد * آموزش پیاده سازی سیستم های توصیه گر مبتنی بر یادگیری عمیق و پیاده سازی مدل دو برج * مفاهیم مبتنی بر محتوا را برای یک سیستم توصیه‌گر مبتنی بر آیتم با یادگیری ماشین و پایتون کاوش کنید

سرفصل ها و درس ها

معرفی Introduction

  • معرفی ماژول و مدرس Module and Instructor Introduction

  • علوم هوش مصنوعی AI Sciences

  • طرح کلی دوره Course Outline

  • سیستم های توصیه کننده یادگیری ماشین Machine Learning Recommender Systems

  • سیستم های توصیه کننده یادگیری عمیق Deep Learning Recommender Systems

سیستم های پیشنهادی با یادگیری ماشینی Recommender Systems with Machine Learning

  • انگیزه برای سیستم توصیه‌کننده: بررسی اجمالی سیستم‌های توصیه‌کننده Motivation for Recommender System: Recommender Systems Overview

  • انگیزه برای سیستم توصیه‌کننده: مقدمه‌ای بر سیستم‌های توصیه‌کننده Motivation for Recommender System: Introduction to Recommender Systems

  • انگیزه برای سیستم توصیه‌کننده: فرآیند و اهداف سیستم‌های توصیه‌کننده Motivation for Recommender System: Recommender Systems Process and Goals

  • انگیزه برای سیستم توصیه‌کننده: نسل‌های سیستم‌های توصیه‌کننده Motivation for Recommender System: Generations of Recommender Systems

  • انگیزه برای سیستم توصیه‌کننده: پیوند هوش مصنوعی و سیستم‌های توصیه‌کننده Motivation for Recommender System: Nexus of AI and Recommender Systems

  • انگیزه برای سیستم توصیه‌کننده: برنامه‌های کاربردی و چالش‌های دنیای واقعی Motivation for Recommender System: Applications and Real-World Challenges

  • انگیزه برای سیستم توصیه کننده: آزمون Motivation for Recommender System: Quiz

  • انگیزه برای سیستم توصیه کننده: راه حل آزمون Motivation for Recommender System: Quiz Solution

  • مبانی سیستم توصیه گر: مرور کلی Basics of Recommender System: Overview

  • مبانی سیستم توصیه‌کننده: طبقه‌بندی سیستم‌های توصیه‌کننده Basics of Recommender System: Taxonomy of Recommender Systems

  • مبانی سیستم توصیه کننده: ICM Basics of Recommender System: ICM

  • مبانی سیستم توصیه‌کننده: ماتریس رتبه‌بندی کاربران Basics of Recommender System: User Rating Matrix

  • مبانی سیستم توصیه کننده: کیفیت سیستم توصیه کننده Basics of Recommender System: Quality of Recommender System

  • مبانی سیستم توصیه گر: تکنیک های ارزیابی آنلاین Basics of Recommender System: Online Evaluation Techniques

  • مبانی سیستم توصیه‌کننده: تکنیک‌های ارزیابی آفلاین Basics of Recommender System: Offline Evaluation Techniques

  • مبانی سیستم توصیه گر: پارتیشن بندی داده ها Basics of Recommender System: Data Partitioning

  • مبانی سیستم توصیه کننده: پارامترهای مهم Basics of Recommender System: Important Parameters

  • مبانی سیستم توصیه گر: محاسبه متریک خطا Basics of Recommender System: Error Metric Computation

  • مبانی سیستم توصیه گر: فیلترینگ مبتنی بر محتوا Basics of Recommender System: Content-Based Filtering

  • مبانی سیستم توصیه کننده: فیلتر مشارکتی و فیلتر مشارکتی مبتنی بر کاربر Basics of Recommender System: Collaborative Filtering and User-Based Collaborative Filtering

  • مبانی سیستم توصیه کننده: مدل آیتم و فیلتر مشارکتی مبتنی بر حافظه Basics of Recommender System: Item Model and Memory-Based Collaborative Filtering

  • مبانی سیستم توصیه گر: آزمون Basics of Recommender System: Quiz

  • مبانی سیستم توصیه گر: راه حل آزمون Basics of Recommender System: Quiz Solution

  • یادگیری ماشین برای سیستم‌های توصیه‌کننده: بررسی اجمالی Machine Learning for Recommender Systems: Overview

  • یادگیری ماشین برای سیستم‌های توصیه‌کننده: مزایای یادگیری ماشین Machine Learning for Recommender Systems: Benefits of Machine Learning

  • یادگیری ماشین برای سیستم‌های توصیه‌گر: دستورالعمل‌هایی برای ML Machine Learning for Recommender Systems: Guidelines for ML

  • یادگیری ماشین برای سیستم‌های توصیه‌گر: رویکردهای طراحی برای ML Machine Learning for Recommender Systems: Design Approaches for ML

  • یادگیری ماشین برای سیستم‌های توصیه‌کننده: فیلترینگ مبتنی بر محتوا Machine Learning for Recommender Systems: Content-Based Filtering

  • یادگیری ماشین برای سیستم‌های توصیه‌کننده: آماده‌سازی داده‌ها برای فیلتر کردن مبتنی بر محتوا Machine Learning for Recommender Systems: Data Preparation for Content-Based Filtering

  • یادگیری ماشین برای سیستم‌های توصیه‌کننده: دستکاری داده‌ها برای فیلتر کردن مبتنی بر محتوا Machine Learning for Recommender Systems: Data Manipulation for Content-Based Filtering

  • یادگیری ماشینی برای سیستم‌های توصیه‌کننده: بررسی ژانرها در فیلترینگ مبتنی بر محتوا Machine Learning for Recommender Systems: Exploring Genres in Content-Based Filtering

  • یادگیری ماشین برای سیستم های توصیه کننده: ماتریس tf-idf Machine Learning for Recommender Systems: tf-idf Matrix

  • یادگیری ماشین برای سیستم های توصیه کننده: موتور توصیه Machine Learning for Recommender Systems: Recommendation Engine

  • یادگیری ماشین برای سیستم‌های توصیه‌گر: ارائه توصیه‌ها Machine Learning for Recommender Systems: Making Recommendations

  • یادگیری ماشین برای سیستم‌های توصیه‌کننده: فیلتر مشارکتی مبتنی بر آیتم Machine Learning for Recommender Systems: Item-Based Collaborative Filtering

  • یادگیری ماشین برای سیستم‌های توصیه‌کننده: آماده‌سازی داده‌های فیلترینگ مبتنی بر آیتم Machine Learning for Recommender Systems: Item-Based Filtering Data Preparation

  • یادگیری ماشین برای سیستم‌های توصیه‌کننده: توزیع سنی برای کاربران Machine Learning for Recommender Systems: Age Distribution for Users

  • یادگیری ماشین برای سیستم‌های توصیه‌کننده: فیلتر مشارکتی با استفاده از KNN Machine Learning for Recommender Systems: Collaborative Filtering using KNN

  • یادگیری ماشین برای سیستم های توصیه گر: فیلتر جغرافیایی Machine Learning for Recommender Systems: Geographic Filtering

  • یادگیری ماشین برای سیستم های توصیه کننده: پیاده سازی KNN Machine Learning for Recommender Systems: KNN Implementation

  • یادگیری ماشین برای سیستم‌های توصیه‌گر: ارائه توصیه‌هایی با فیلتر مشارکتی Machine Learning for Recommender Systems: Making Recommendations with Collaborative Filtering

  • یادگیری ماشین برای سیستم‌های توصیه‌کننده: فیلتر مشارکتی مبتنی بر کاربر Machine Learning for Recommender Systems: User-Based Collaborative Filtering

  • یادگیری ماشین برای سیستم‌های توصیه‌کننده: آزمون Machine Learning for Recommender Systems: Quiz

  • یادگیری ماشین برای سیستم‌های توصیه‌کننده: راه‌حل آزمون Machine Learning for Recommender Systems: Quiz Solution

  • پروژه 1: سیستم توصیه آهنگ با استفاده از فیلترینگ مبتنی بر محتوا: معرفی پروژه Project 1: Song Recommendation System Using Content-Based Filtering: Project Introduction

  • پروژه 1: سیستم توصیه آهنگ با استفاده از فیلتر مبتنی بر محتوا: استفاده از مجموعه داده Project 1: Song Recommendation System Using Content-Based Filtering: Dataset Usage

  • پروژه 1: سیستم توصیه آهنگ با استفاده از فیلتر مبتنی بر محتوا: مقادیر گمشده Project 1: Song Recommendation System Using Content-Based Filtering: Missing Values

  • پروژه 1: سیستم توصیه آهنگ با استفاده از فیلترینگ مبتنی بر محتوا: کاوش در ژانرها Project 1: Song Recommendation System Using Content-Based Filtering: Exploring Genres

  • پروژه 1: سیستم توصیه آهنگ با استفاده از فیلتر مبتنی بر محتوا: تعداد رخداد Project 1: Song Recommendation System Using Content-Based Filtering: Occurrence Count

  • پروژه 1: سیستم توصیه آهنگ با استفاده از فیلتر مبتنی بر محتوا: پیاده سازی tf-idf Project 1: Song Recommendation System Using Content-Based Filtering: tf-idf Implementation

  • پروژه 1: سیستم توصیه آهنگ با استفاده از فیلتر مبتنی بر محتوا: فهرست شباهت Project 1: Song Recommendation System Using Content-Based Filtering: Similarity Index

  • پروژه 1: سیستم توصیه آهنگ با استفاده از فیلتر مبتنی بر محتوا: پیاده سازی فازی ووززی Project 1: Song Recommendation System Using Content-Based Filtering: Fuzzywuzzy Implementation

  • پروژه 1: سیستم توصیه آهنگ با استفاده از فیلترینگ مبتنی بر محتوا: عنوان st را پیدا کنید Project 1: Song Recommendation System Using Content-Based Filtering: Find st Title

  • پروژه 1: سیستم توصیه آهنگ با استفاده از فیلترینگ مبتنی بر محتوا: ارائه توصیه ها Project 1: Song Recommendation System Using Content-Based Filtering: Making Recommendations

  • پروژه 2: سیستم توصیه فیلم با استفاده از فیلتر مشارکتی: معرفی پروژه Project 2: Movie Recommendation System Using Collaborative Filtering: Project Introduction

  • پروژه 2: سیستم توصیه فیلم با استفاده از فیلتر مشارکتی: بحث مجموعه داده Project 2: Movie Recommendation System Using Collaborative Filtering: Dataset Discussion

  • پروژه 2: سیستم توصیه فیلم با استفاده از فیلتر مشارکتی: طرح رتبه بندی Project 2: Movie Recommendation System Using Collaborative Filtering: Rating Plot

  • پروژه 2: سیستم توصیه فیلم با استفاده از فیلتر مشارکتی: تعداد Project 2: Movie Recommendation System Using Collaborative Filtering: Count

  • پروژه 2: سیستم توصیه فیلم با استفاده از فیلتر مشارکتی: لگاریتم شمارش Project 2: Movie Recommendation System Using Collaborative Filtering: Logarithm of Count

  • پروژه 2: سیستم توصیه فیلم با استفاده از فیلتر مشارکتی: کاربران فعال و فیلم های محبوب Project 2: Movie Recommendation System Using Collaborative Filtering: Active Users and Popular Movies

  • پروژه 2: سیستم توصیه فیلم با استفاده از فیلتر مشارکتی: فیلتر مشارکتی ایجاد کنید Project 2: Movie Recommendation System Using Collaborative Filtering: Create Collaborative Filter

  • پروژه 2: سیستم توصیه فیلم با استفاده از فیلتر مشترک: پیاده سازی KNN Project 2: Movie Recommendation System Using Collaborative Filtering: KNN Implementation

  • پروژه 2: سیستم توصیه فیلم با استفاده از فیلتر مشارکتی: ایجاد توصیه Project 2: Movie Recommendation System Using Collaborative Filtering: Making Recommendations

یادگیری عمیق برای سیستم های توصیه کننده: یک رویکرد کاربردی Deep Learning for Recommender Systems: An Applied Approach

  • بنیاد یادگیری عمیق برای سیستم‌های توصیه‌کننده: معرفی ماژول Deep Learning Foundation for Recommender Systems: Module Introduction

  • بنیاد یادگیری عمیق برای سیستم های توصیه کننده: بررسی اجمالی Deep Learning Foundation for Recommender Systems: Overview

  • بنیاد یادگیری عمیق برای سیستم های توصیه کننده: یادگیری عمیق در سیستم های توصیه Deep Learning Foundation for Recommender Systems: Deep Learning in Recommendation systems

  • بنیاد یادگیری عمیق برای سیستم های توصیه گر: استنتاج پس از آموزش Deep Learning Foundation for Recommender Systems: Inference After Training

  • بنیاد یادگیری عمیق برای سیستم های توصیه کننده: مکانیسم استنتاج Deep Learning Foundation for Recommender Systems: Inference Mechanism

  • بنیاد یادگیری عمیق برای سیستم‌های توصیه‌کننده: جاسازی‌ها و زمینه کاربر Deep Learning Foundation for Recommender Systems: Embeddings and User Context

  • بنیاد یادگیری عمیق برای سیستم‌های توصیه‌کننده: فیلتر مشارکتی عصبی Deep Learning Foundation for Recommender Systems: Neural Collaborative Filtering

  • بنیاد یادگیری عمیق برای سیستم‌های توصیه‌کننده: VAE Collaborative Filtering Deep Learning Foundation for Recommender Systems: VAE Collaborative Filtering

  • بنیاد یادگیری عمیق برای سیستم‌های توصیه‌کننده: نقاط قوت و ضعف مدل‌های DL Deep Learning Foundation for Recommender Systems: Strengths and Weaknesses of DL Models

  • بنیاد یادگیری عمیق برای سیستم‌های توصیه‌کننده: آزمون یادگیری عمیق Deep Learning Foundation for Recommender Systems: Deep Learning Quiz

  • بنیاد یادگیری عمیق برای سیستم های توصیه کننده: راه حل آزمون یادگیری عمیق Deep Learning Foundation for Recommender Systems: Deep Learning Quiz Solution

  • سیستم توصیه محصول پروژه آمازون: مرور کلی ماژول Project Amazon Product Recommendation System: Module Overview

  • سیستم توصیه محصول پروژه آمازون: توصیه کنندگان تنسورفلو Project Amazon Product Recommendation System: TensorFlow Recommenders

  • سیستم توصیه محصول پروژه آمازون: مدل دو برجی Project Amazon Product Recommendation System: Two-Tower Model

  • سیستم توصیه محصول پروژه آمازون: بررسی اجمالی پروژه Project Amazon Product Recommendation System: Project Overview

  • پروژه سیستم توصیه محصول آمازون: دانلود کتابخانه ها Project Amazon Product Recommendation System: Download Libraries

  • پروژه سیستم توصیه محصول آمازون: تجسم داده ها با WordCloud Project Amazon Product Recommendation System: Data Visualization with WordCloud

  • پروژه سیستم توصیه محصول آمازون: ساخت تنسورها از DataFrame Project Amazon Product Recommendation System: Make Tensors from DataFrame

  • سیستم توصیه محصول پروژه آمازون: داده های ما را رتبه بندی کنید Project Amazon Product Recommendation System: Rating Our Data

  • پروژه سیستم توصیه محصول آمازون: تقسیم تصادفی قطار-تست Project Amazon Product Recommendation System: Random Train-Test Split

  • پروژه سیستم توصیه محصول آمازون: ساخت مدل و برج پرس و جو Project Amazon Product Recommendation System: Making the Model and Query Tower

  • پروژه سیستم توصیه محصول آمازون: برج کاندید و سیستم بازیابی Project Amazon Product Recommendation System: Candidate Tower and Retrieval System

  • پروژه سیستم توصیه محصول آمازون: محاسبه ضرر Project Amazon Product Recommendation System: Compute Loss

  • پروژه سیستم توصیه محصول آمازون: آموزش و اعتبارسنجی Project Amazon Product Recommendation System: Train and Validation

  • پروژه سیستم توصیه محصول آمازون: دقت در مقابل توصیه ها Project Amazon Product Recommendation System: Accuracy Versus Recommendations

  • پروژه سیستم توصیه محصول آمازون: ارائه توصیه ها Project Amazon Product Recommendation System: Making Recommendations

نمایش نظرات

نظری ارسال نشده است.

آموزش Recommender Systems دوره کامل مبتدی تا پیشرفته [ویدئو]
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
8 h 14 m
94
Packtpub packtpub-small
04 اسفند 1401 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
از 5
ندارد
دارد
دارد
AI Sciences

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

AI Sciences AI Sciences

کارشناسان هوش مصنوعی و دانشمندان داده | رتبه ۴+ | 168+ کشور

Packtpub یک ناشر دیجیتالی کتاب‌ها و منابع آموزشی در زمینه فناوری اطلاعات و توسعه نرم‌افزار است. این شرکت از سال 2004 فعالیت خود را آغاز کرده و به تولید و انتشار کتاب‌ها، ویدیوها و دوره‌های آموزشی می‌پردازد که به توسعه‌دهندگان و متخصصان فناوری اطلاعات کمک می‌کند تا مهارت‌های خود را ارتقا دهند. منابع آموزشی Packtpub موضوعات متنوعی از جمله برنامه‌نویسی، توسعه وب، داده‌کاوی، امنیت سایبری و هوش مصنوعی را پوشش می‌دهد. محتوای این منابع به صورت کاربردی و به‌روز ارائه می‌شود تا کاربران بتوانند دانش و توانایی‌های لازم برای موفقیت در پروژه‌های عملی و حرفه‌ای خود را کسب کنند.