糖心vlog官网观看

In diesem Kurs lernen Sie die grundlegenden Techniken zur Erstellung von personalisierten Empfehlungen durch Nearest-Neighbor-Techniken kennen. Zun盲chst lernen Sie das User-User Collaborative Filtering kennen, einen Algorithmus, der andere Personen mit 盲hnlichen Vorlieben wie ein Zielbenutzer identifiziert und deren Bewertungen kombiniert, um Empfehlungen 蹿眉谤 diesen Benutzer zu erstellen. Sie werden Variationen des User-User-Algorithmus erkunden und implementieren und die Vor- und Nachteile des allgemeinen Ansatzes untersuchen. Anschlie脽end lernen Sie den weit verbreiteten Item-Item Collaborative Filtering Algorithmus kennen, der globale Produktassoziationen anhand von Nutzerbewertungen identifiziert, aber diese Produktassoziationen nutzt, um personalisierte Empfehlungen auf der Grundlage der eigenen Produktbewertungen eines Nutzers zu geben.

In diesem Kurs lernen Sie, wie Sie Empfehlungssysteme bewerten k枚nnen. Sie werden sich mit verschiedenen Metriken vertraut machen, darunter solche zur Messung der Vorhersagegenauigkeit, der Ranggenauigkeit, der Entscheidungsunterst眉tzung und anderer Faktoren wie Vielfalt, Produktabdeckung und Serendipit盲t. Sie werden lernen, wie sich die verschiedenen Metriken auf unterschiedliche Benutzer- und Unternehmensziele beziehen. Sie werden auch lernen, wie man Offline-Evaluierungen rigoros durchf眉hrt (d.h. wie man Daten vorbereitet und Stichproben nimmt und wie man die Ergebnisse zusammenfasst). Und Sie lernen etwas 眉ber die (experimentelle) Online-Evaluierung. Am Ende dieses Kurses verf眉gen Sie 眉ber das n枚tige Handwerkszeug, um verschiedene Alternativen 蹿眉谤 Empfehlungssysteme 蹿眉谤 eine Vielzahl von Anwendungen zu vergleichen.

In diesem Kurs lernen Sie eine Vielzahl von Techniken der Matrixfaktorisierung und des hybriden maschinellen Lernens 蹿眉谤 Empfehlungssysteme kennen. Beginnend mit der grundlegenden Matrixfaktorisierung werden Sie sowohl die Intuition als auch die praktischen Details des Aufbaus von Empfehlungssystemen verstehen, die auf der Verringerung der Dimensionalit盲t des Pr盲ferenzraums zwischen Nutzer und Produkt basieren. Anschlie脽end lernen Sie Techniken kennen, die die St盲rken verschiedener Algorithmen zu leistungsstarken hybriden Empfehlungssystemen kombinieren.

Dieser Abschlusskurs 蹿眉谤 die Specialization Recommender Systems fasst alles, was Sie 眉ber Algorithmen und Evaluierung von Empfehlungssystemen gelernt haben, in einem umfassenden Projekt zur Analyse und zum Design von Empfehlungssystemen zusammen. Sie erhalten eine Fallstudie, bei der Sie das Design eines Empfehlungssystems ausw盲hlen und durch die Analyse der Ziele des Empfehlungssystems und der Leistung des Algorithmus rechtfertigen m眉ssen.

Die Teilnehmer des Honors-Tracks konzentrieren sich auf die experimentelle Evaluierung der Algorithmen anhand mittelgro脽er Datens盲tze. Beide Gruppen erstellen einen Abschlussbericht, in dem die Analyse, die ausgew盲hlte L枚sung und die Begr眉ndung 蹿眉谤 diese L枚sung dokumentiert werden.