Python được sử dụng để triển khai thuật toán đề xuất
Triển khai hệ thống đề xuất được cá nhân hóa ✅ Thô sơ nhưng hữu ích với mã hóa thô!
Bí quyết để có một dịch vụ thành công Thuật toán hệ thống đề xuất 👨💻
Netflix, Amazon, YouTube, Spotify, v.v. Bao gồm các dịch vụ nổi tiếng thế giới Một dịch vụ sử dụng thuật toán đề xuất Nó ngày càng tăng lên.
Tuy nhiên... Điều này nghe có vẻ không giống của tôi phải không?
“Tôi thực sự có thể sửa lại khái niệm về thuật toán đề xuất không?” “Tôi hiểu khái niệm về thuật toán đề xuất... nhưng làm cách nào để triển khai nó ?”
👇👇
Hệ thống khuyến nghị Python dễ dàng và trực quan!
Khi số lượng dịch vụ sử dụng thuật toán đề xuất tăng lên, số người muốn tìm hiểu về thuật toán đề xuất cũng tiếp tục tăng. Phù hợp với điều này Chúng tôi muốn giải thích chính xác các khái niệm và nguyên tắc của thuật toán đề xuất bằng ngôn ngữ lập trình Python dễ hiểu và trực quan.
Thuật toán đề xuất: Tại sao lại là Python?
Tôi hy vọng đây sẽ là khoảng thời gian đầy ý nghĩa cho những ai muốn tìm hiểu hệ thống khuyến nghị và những ai muốn phát triển kỹ năng triển khai phù hợp với thực tế sử dụng 😊
💻 Kiểm tra kiến thức người chơi của bạn!
Để tham gia khóa học, bạn cần có hiểu biết cơ bản về ngôn ngữ Python và các thư viện Numpy, Pandas và Keras.
học khác đi Thế giới của hệ thống gợi ý 💌
Thô lỗ nhưng thực sự có lợi! Nhà phân tích dữ liệu mã hóa thô .
Xin chào! Tôi là một lập trình viên thô hiện đang làm nhà phân tích dữ liệu tại “one of Nekara” .
Bạn đã bao giờ tự hỏi liệu bạn có thể hiểu đúng khái niệm về thuật toán đề xuất của mình không? Khi đọc sách thì bạn hiểu, nhưng khi thực sự thử thực hiện thuật toán, bạn có cảm thấy hụt hẫng không?
Thông qua bài giảng này, chúng tôi sẽ giải thích rõ ràng nền tảng của thuật toán đề xuất bằng cách giải thích chính xác khái niệm và nguyên tắc hoạt động. Bài giảng được cấu trúc sao cho không kết thúc bằng phần giải thích đơn giản về các khái niệm mà còn mang lại sự tự tin khi triển khai thực tế bằng cách mã hóa các nguyên tắc hoạt động cụ thể .
Nhà phân tích dữ liệu, mã hóa thô là 👨💻
Hiện tại, “ one of Nekara ” đang sử dụng Python và các công cụ trực quan hóa (Tableau) để thu thập, xử lý, phân tích, dự đoán, trực quan hóa và tự động hóa công việc.
Lịch sử khóa
Đại học Hàn Quốc, Cử nhân Thống kê (Tốt nghiệp)
Trường sau đại học Đại học Hàn Quốc, Khoa hội tụ dữ liệu lớn (sinh viên hiện tại)
Thành viên ủy ban đánh giá Bảng xếp hạng Đại học Thế giới QS
Hoàn thiện nâng cao trí tuệ nhân tạo lấy SW làm trung tâm của Đại học Hàn Quốc
Chủ tọa phiên họp của Đại học Hàn Quốc KUCC (Câu lạc bộ Máy tính)
Thủ khoa khoa Đại học Hàn Quốc 5 lần, thủ khoa tổng kết 1 lần
Chứng chỉ kỹ sư phân tích dữ liệu lớn
Chứng chỉ Chuyên gia Phân tích Dữ liệu Lớn (ADSP))
Phương pháp học tập hiệu quả cho sinh viên mơ ước công việc phân tích dữ liệu
Tư vấn cho các nhà phân tích cấp dưới làm việc trong lĩnh vực phân tích dữ liệu
Những người không làm trong lĩnh vực CNTT nhưng muốn sử dụng công nghệ CNTT và áp dụng vào công việc
thông qua kiến thức của tôi Một bài giảng chúng ta cùng nhau tạo ra Tôi hy vọng như vậy.
Sự khởi đầu là điều quan trọng nhất trong mọi việc. Nếu có thắc mắc trong quá trình học, vui lòng liên hệ với chúng tôi qua [Question/Answer] . Chúng tôi cũng cung cấp dịch vụ tư vấn , vì vậy chúng tôi muốn giúp đỡ những ai quan tâm đến phân tích dữ liệu. 😊
Vô song! Tại sao khóa học này lại đặc biệt 👍
Một bài giảng mơ hồ tập trung vào những giải thích đơn giản về các khái niệm?
• Tài liệu có sẵn trên Internet Tôi không nghĩ các bài giảng có gì khác biệt. • Giải thích khái niệm tốt; Vì vậy, làm thế nào chính xác để bạn thực hiện nó trong thực tế? • Bản thân ngôn ngữ này đã rất khó.
Giáo trình hệ thống, bài giảng thực tế chú trọng thực hành!
• Thay vì chỉ giải thích các khái niệm; Đây là một bài giảng thực tế tập trung vào các nguyên tắc và thực hành . • Nó không đơn thuần là một bài giảng thu thập tài liệu từ mạng; Tôi biên soạn và biên soạn sách tham khảo có thẩm quyền . • Tôi sử dụng Python, học dễ dàng và nhanh chóng.
1️⃣ Bài giảng thực tế tập trung vào nguyên tắc và thực hành, không giải thích đơn giản các khái niệm
Những giải thích khái niệm đơn giản về thuật toán đề xuất đã có sẵn trên nhiều trang web. Tuy nhiên, dù lời giải thích về mặt khái niệm có tốt đến đâu thì cũng vô ích nếu nó không dẫn đến việc thực hiện chính xác trên thực tế.
Trong bài giảng này, chúng tôi sẽ giới thiệu trung thực cho bạn khái niệm về thuật toán đề xuất, cũng như cung cấp cho bạn bí quyết để giới thiệu hệ thống đề xuất tại nơi làm việc.
2️⃣ Học dễ dàng và nhanh chóng bằng Python
Khóa học được thực hiện bằng Python, một ngôn ngữ chuyên về lĩnh vực trí tuệ nhân tạo và có thể học nhanh hơn các ngôn ngữ lập trình khác. Khóa học được cấu trúc sao cho bạn không chỉ hiểu thuật toán đề xuất mà còn học kỹ thuật dữ liệu cần thiết để xây dựng mô hình trí tuệ nhân tạo.
3️⃣ Hiểu biết chính xác thông qua giáo trình có hệ thống
Đây không phải là một bài giảng đơn giản được tạo thành từ những kiến thức được thu thập một cách lỏng lẻo từ nhiều trang web khác nhau. Chúng tôi cấu trúc một cách có hệ thống chương trình giảng dạy dựa trên nội dung của các sách tham khảo có thẩm quyền.
Những gì bạn học Hãy xem thử 📚
Trong bài giảng này 💻
Nó chủ yếu bao gồm nội dung tổng thể của công nghệ đề xuất được cá nhân hóa.
Trong số đó, chúng tôi đề cập cụ thể đến các kỹ thuật đề xuất được cá nhân hóa sử dụng các giá trị liên tục .
Lọc cộng tác, hệ số hóa ma trận, thuật toán đề xuất học sâu và hệ thống đề xuất kết hợp kết hợp nhiều thuật toán đề xuất cũng được giải thích.
định hướng
Mục đích của bài giảng này là để hiểu cách hoạt động của các thuật toán đề xuất cá nhân hóa chính. Mục đích và phần giới thiệu bài giảng đã được tóm tắt qua video OT dài 5 phút, mời các bạn xem qua [Lecture Preview] nhé!
Giới thiệu hệ thống khuyến nghị
Chúng tôi sẽ giới thiệu khái niệm về hệ thống khuyến nghị, các công nghệ khác nhau và quy trình phát triển của nó nhằm lựa chọn và trình bày thông tin hoặc sản phẩm cần thiết cho người dùng dựa trên dữ liệu hành vi trong quá khứ của người dùng hoặc dữ liệu khác.
Thuật toán đề xuất chính
Ví dụ ứng dụng hệ thống khuyến nghị
Hệ thống khuyến nghị cơ bản
Đây là quá trình chuẩn bị và tìm hiểu dữ liệu cơ bản để tìm hiểu các lý thuyết và thực tiễn trong tương lai. Chúng tôi sẽ giới thiệu các nguyên tắc hoạt động cơ bản của hệ thống tư vấn.
đọc dữ liệu
Phương pháp sản phẩm phổ biến
Đo lường độ chính xác của hệ thống gợi ý
Khuyến nghị theo nhóm người dùng
Hệ thống đề xuất lọc cộng tác
Chúng tôi sẽ giới thiệu khái niệm và nguyên tắc hoạt động của lọc cộng tác dựa trên sự tương đồng (CF) và nâng cao hiểu biết của bạn về khái niệm này bằng cách thực sự triển khai nó cùng nhau.
Nguyên tắc lọc cộng tác
Chỉ báo tương đồng
Thuật toán CF cơ bản
CF xem xét hàng xóm
Xác định kích thước vùng lân cận tối ưu
CF xem xét xu hướng đánh giá của người dùng
Các cách khác để cải thiện độ chính xác của CF
CF dựa trên người dùng và CF dựa trên vật phẩm
Các chỉ số đo lường hiệu quả hoạt động của hệ thống gợi ý
Đề xuất dựa trên Hệ số ma trận (MF)
Chúng tôi sẽ giới thiệu khái niệm và nguyên tắc hoạt động của Hệ số ma trận (MF), dựa trên các phép toán ma trận và nâng cao hiểu biết của bạn về khái niệm này bằng cách thực tế triển khai nó.
Nguyên lý của phương pháp nhân tử hóa ma trận (MF)
Thuật toán MF sử dụng Giảm dần độ dốc ngẫu nhiên (SGD)
Thuật toán cơ bản MF sử dụng SGD
thuật toán MF tách biệt huấn luyện/kiểm tra
Tìm thông số tối ưu của MF
MF và SVD
Sử dụng gói Bất ngờ
Tìm hiểu khái niệm và nguyên tắc hoạt động của gói cho phép bạn dễ dàng triển khai và kiểm tra các hệ thống đề xuất dựa trên CF và MF.
Cách sử dụng cơ bản về Bất ngờ
So sánh thuật toán
Chỉ định các tùy chọn thuật toán
So sánh các điều kiện khác nhau
Sử dụng dữ liệu ngoài
Hệ thống khuyến nghị sử dụng deep learning
Nâng cao hiểu biết của bạn về khái niệm này bằng cách thực hành các nguyên tắc và thực tiễn vận hành hệ thống khuyến nghị bằng cách sử dụng khái niệm mạng nơ-ron nhân tạo có nhiều lớp ẩn.
Chuyển đổi hệ số ma trận (MF) sang mạng thần kinh
Triển khai MF với Keras
Hệ thống khuyến nghị sử dụng deep learning
Thêm biến vào mô hình học sâu
Hệ thống khuyến nghị lai
Chúng tôi sẽ nâng cao hiểu biết của bạn thông qua nội dung phương pháp luận và thực tiễn thực tế về việc bổ sung và cải thiện hiệu suất chung bằng cách kết hợp nhiều thuật toán đề xuất.
Ưu điểm của hệ thống tư vấn kết hợp
Nguyên tắc của hệ thống tư vấn kết hợp
Hệ thống tư vấn lai (kết hợp CF và MF)
Sử dụng Ma trận thưa để xử lý dữ liệu quy mô lớn
Bạn sẽ hiểu được các kỹ năng thực tế bằng cách học cách xử lý một lượng dữ liệu không thể quản lý được và quá trình áp dụng thuật toán đề xuất thực tế.
Khái niệm và cách sử dụng Ma trận thưa thớt trong Python
Áp dụng Ma trận thưa cho thuật toán đề xuất
Những vấn đề trong việc xây dựng hệ thống khuyến nghị
Bằng cách tóm tắt các vấn đề và vấn đề thường xuyên phát sinh khi xây dựng hệ thống khuyến nghị thực tế, bạn sẽ học được nhiều bí quyết khác nhau có thể giảm bớt một chút việc thử và sai trong quá trình tạo hệ thống khuyến nghị thực tế.
Người dùng và vật phẩm mới (Vấn đề khởi động nguội)
Khả năng mở rộng
Bài thuyết trình
Sử dụng dữ liệu nhị phân
Bảo mật dữ liệu đánh giá gián tiếp từ người dùng
người chia sẻ kiến thức Hãy xem phần hỏi đáp! 💬
H. Tôi có cần biết kiến thức của người chơi (Python, Numpy, Pandas, Keras) không?
Bạn phải biết Python, nhưng không cần phải nghiên cứu trước các thư viện khác quá sâu. Bạn chỉ nên tìm kiếm và nghiên cứu những nội dung bạn chưa biết khi nghe bài giảng. Các thư viện sử dụng trong bài giảng rất hữu ích và được sử dụng phổ biến nên đối với những người mới học lần đầu, đây có thể là tài liệu hướng dẫn nên học trước. 😉
Q. Dữ liệu có được cung cấp trước không?
Tất nhiên rồi. Dữ liệu được sử dụng trong tất cả các bài giảng sẽ sử dụng dữ liệu MovieLens do dự án GroupLens của Đại học Minnesota phát triển và xác minh và có thể tải xuống thông qua URL dữ liệu được cung cấp trước khi lớp học bắt đầu.
H. Tôi có thể phát triển một công cụ đề xuất thực tế bằng cách tham gia khóa học không?
Tất cả các chương bài giảng không chỉ kết hợp các khái niệm về các thuật toán đề xuất khác nhau mà còn cả các bài tập thực hành. Vì vậy, bạn có thể phát triển công cụ đề xuất của riêng mình bằng cách sửa đổi mã mà chúng tôi đã cùng nhau thực hành một chút để phù hợp với từng miền.
Câu hỏi: Tôi có cần cài đặt Python riêng hoặc định cấu hình môi trường phát triển riêng không?
Bạn không cần phải làm điều đó chút nào. Để loại bỏ rắc rối khi cài đặt và xây dựng môi trường phát triển, chúng tôi sẽ sử dụng Colab, trình chỉnh sửa môi trường web do Google cung cấp.
Để biết thông tin chi tiết về cách sử dụng Colab, hãy xem blog của tôi hoặc tìm kiếm “cách sử dụng Colab” trên Google để tìm hiểu thêm thông tin chi tiết.
Bạn có tò mò về các bài giảng mã hóa thô khác không? 📖
Hệ thống đề xuất được cá nhân hóa bằng Python (Nhà xuất bản sách Cheongram, tác giả Lim Il)
leejken5305874
