باور کنید یا نه، امروزه تقریباً همه مشاغل آنلاین از سیستم های توصیه گر به نحوی استفاده می کنند.
منظورم از "سیستم های توصیه کننده" چیست و چرا مفید هستند؟
بیایید به 3 وبسایت برتر اینترنت مطابق با الکسا نگاهی بیندازیم: Google، YouTube و Facebook.
سیستمهای توصیهکننده اساس این فناوریها را تشکیل میدهند.
Google : نتایج جستجو
به همین دلیل است که Google موفقترین شرکت فناوری امروز است.
YouTube : داشبورد ویدیو
مطمئنم من تنها کسی نیستم که بهطور تصادفی ساعتها را در YouTube سپری میکنم، زمانی که کارهای مهمتری برای انجام دادن داشتم! آنها چگونه شما را متقاعد می کنند که این کار را انجام دهید؟
درست است. سیستم های توصیه کننده!
فیس بوک: آنقدر قدرتمند که دولت های جهان نگران هستند که فید خبری تأثیر زیادی روی مردم بگذارد! (یا شاید نگران از دست دادن قدرت خود هستند... هوم...)
شگفتانگیز!
این دوره مجموعه بزرگی از ترفندها است که باعث میشود سیستمهای توصیهگر در چندین پلتفرم کار کنند.
ما به الگوریتمهای فید خبری معروف، مانند Reddit، Hacker News، و Google PageRank نگاه خواهیم کرد.
به تکنیکهای توصیه بیزی که امروزه توسط تعداد زیادی از شرکتهای رسانهای استفاده میشود، نگاه خواهیم کرد.
اما این دوره فقط در مورد فیدهای خبری نیست.
شرکتهایی مانند آمازون، نتفلیکس و Spotify سالهاست که از توصیههایی برای پیشنهاد محصولات، فیلمها و موسیقی به مشتریان استفاده میکنند.
این الگوریتمها منجر به میلیاردها دلار درآمد اضافه شده است.
بنابراین به شما اطمینان میدهم، آنچه که میخواهید در این دوره بیاموزید بسیار واقعی است، بسیار کاربردی است و تأثیر زیادی بر کسبوکار شما خواهد داشت.
برای کسانی از شما که دوست دارند عمیقاً در تئوری کاوش کنند تا بفهمند کارها واقعاً چگونه کار می کنند، می دانید که این تخصص من است و در این دوره هیچ کمبودی در آن وجود نخواهد داشت. ما الگوریتمهای پیشرفتهای مانند فاکتورسازی ماتریس و یادگیری عمیق (استفاده از یادگیری تحت نظارت و بدون نظارت - رمزگذارهای خودکار و ماشینهای محدود بولتزمن) را پوشش خواهیم داد و شما مجموعهای پر از ترفندها را برای بهبود نتایج پایه یاد خواهید گرفت.
به عنوان یک امتیاز، ما همچنین نحوه انجام فاکتورسازی ماتریس را با استفاده از داده های بزرگ در Spark بررسی خواهیم کرد. ما یک خوشه با استفاده از نمونه های آمازون EC2 با خدمات وب آمازون (AWS) ایجاد خواهیم کرد. بیشتر دورهها و آموزشهای دیگر به مجموعه دادههای MovieLens 100k نگاه میکنند - که بسیار ضعیف است! نمونه های ما از MovieLens 20 میلیون استفاده می کنند.
چه محصولاتی را در فروشگاه تجارت الکترونیک خود بفروشید، چه صرفاً یک وبلاگ بنویسید - میتوانید از این تکنیکها برای نشان دادن توصیههای درست به کاربران خود در زمان مناسب استفاده کنید.
اگر کارمند یک شرکت هستید، میتوانید از این تکنیکها برای تحت تأثیر قرار دادن مدیر خود و دریافت افزایش حقوق استفاده کنید!
من شما را در کلاس می بینم!
توجه:
این دوره "رسما" بخشی از مجموعه یادگیری عمیق من نیست. این شامل یک مؤلفه یادگیری عمیق قوی است، اما مفاهیم زیادی در این دوره وجود دارد که کاملاً با یادگیری عمیق ارتباطی ندارند.
"اگر نمی توانید آن را پیاده سازی کنید، آن را درک نمی کنید"
یا همانطور که فیزیکدان بزرگ ریچارد فاینمن گفت: "آنچه را که نمی توانم خلق کنم، نمی فهمم".
دورههای من تنها دورههایی هستند که در آنها نحوه پیادهسازی الگوریتمهای یادگیری ماشین را از ابتدا یاد خواهید گرفت
دورههای دیگر به شما یاد میدهند که چگونه دادههای خود را به کتابخانه وصل کنید، اما آیا واقعاً برای 3 خط کد به کمک نیاز دارید؟
پس از انجام همان کار با 10 مجموعه داده، متوجه می شوید که 10 چیز را یاد نگرفته اید. شما یک چیز یاد گرفتید و فقط همان 3 خط کد را 10 بار تکرار کردید...
پیش نیازهای پیشنهادی:
برای بخشهای قبلی، فقط برخی از محاسبات اولیه را بدانید
برای بخشهای پیشرفته، حساب دیفرانسیل و انتگرال، جبر خطی و احتمال را برای درک عمیقتر بدانید
در پایتون و پشته Numpy مهارت داشته باشید (دوره رایگان من را ببینید)
برای بخش یادگیری عمیق، اصول اولیه استفاده از Keras را بدانید
برای بخش RBM، Tensorflow را بشناسید
به چه ترتیبی باید در دوره های شما شرکت کنم؟:
سخنرانی "نقشه راه پیش نیاز یادگیری ماشین و هوش مصنوعی" (در پرسشهای متداول هر یک از دورههای من، از جمله دوره رایگان Numpy موجود است) را بررسی کنید.
ویژگی های منحصر به فرد
هر خط کد با جزئیات توضیح داده شده است - در صورت مخالفت هر زمان که خواستید به من ایمیل بزنید
همانند سایر دورهها، زمان را تلف نمیکنید - بیایید صادق باشیم، هیچکس واقعاً نمیتواند کدی بنویسد که ارزش یادگیری آن را تنها در 20 دقیقه از ابتدا داشته باشد
از ریاضیات در سطح دانشگاه نمی ترسید - جزئیات مهمی را در مورد الگوریتم هایی که سایر دوره ها کنار گذاشته اند دریافت کنید
امروز ، بیشتر وقتم را به عنوان یک مهندس هوش مصنوعی و یادگیری ماشین با تمرکز بر یادگیری عمیق می گذرانم ، اگرچه همچنین به عنوان دانشمند داده ، مهندس داده های بزرگ و مهندس نرم افزار کامل پشته نیز شناخته شده ام. من مدرک کارشناسی ارشد خود را در رشته مهندسی کامپیوتر با گرایش یادگیری ماشین و تشخیص الگو دریافت کردم. این تجربه شامل تبلیغات آنلاین و رسانه های دیجیتالی به عنوان دانشمند داده (بهینه سازی نرخ کلیک و تبدیل) و مهندس داده های بزرگ (ساخت خطوط لوله پردازش داده) است. برخی از فناوری های کلان داده ای که من مرتباً استفاده می کنم ، Hadoop ، Pig ، Hive ، MapReduce و Spark هستند. من مدل های یادگیری عمیق را برای پیش بینی میزان کلیک و رفتار کاربر و همچنین برای پردازش تصویر و سیگنال و مدل سازی متن ایجاد کرده ام. کار من در سیستم های پیشنهادی از آموزش تقویت و فیلتر کردن مشارکتی استفاده کرده است و ما نتایج را با استفاده از تست A / B معتبر کردیم.
نمایش نظرات