آموزش ساخت یک سیستم پیشنهاد بوسیله یادگیری ماشینی و AI

در این دوره آموزشی قدم به قدم ساخت یک سیستم پیشنهاد را بوسیله یادگیری ماشینی و همچنین AI آموخته و در پروژه های واقعی تمرین خواهید کرد. 

عنوان اصلی : Building Recommender Systems with Machine Learning and AI

سرفصل ها :

1. شروع به کار
Anaconda را نصب کنید، مطالب دوره را مرور کنید، و توصیه هایی برای فیلم ایجاد کنید
نقشه راه دوره
درک شما از طریق رتبه بندی ضمنی و صریح
معماری توصیه گر Top-N
اصول اولیه سیستم های توصیه گر را مرور کنید
2. مقدمه ای بر پایتون
ساختار داده در پایتون
توابع در پایتون
Booleans، حلقه‌ها و یک چالش عملی
3. ارزیابی سیستم های توصیه کننده
آموزش/آزمون و اعتبارسنجی متقابل
معیارهای دقت (RMSE و MAE)
نرخ ضربه Top-N: راه های بسیاری
پوشش، تنوع و تازگی
تست های Churn، Responsiveness و A/B
راه های اندازه گیری توصیه کننده خود را مرور کنید
راهنمای RecommenderMetrics.py
مروری بر TestMetrics.py
عملکرد توصیه های SVD را اندازه گیری کنید
4. چارچوب موتور توصیه کننده
معماری موتور توصیه گر ما
راهنمای موتور پیشنهادی، قسمت 1
راهنمای موتور پیشنهادی، قسمت 2
نتایج ارزیابی الگوریتم ما را مرور کنید
5. فیلتر بر اساس محتوا
توصیه‌های مبتنی بر محتوا و معیار تشابه کسینوس
K-نزدیکترین همسایگان (KNN) و محتوای recs
تولید و ارزیابی توصیه های فیلم مبتنی بر محتوا
هشدار لبه خونریزی: توصیه های میزانسن
در توصیه های مبتنی بر محتوا عمیق تر شوید
6. فیلتر مشارکتی مبتنی بر محله
اندازه گیری تشابه و پراکندگی
معیارهای شباهت
فیلتر مشارکتی مبتنی بر کاربر
فیلتر مشارکتی مبتنی بر کاربر: عملی
فیلتر مشارکتی مبتنی بر آیتم
فیلتر مشارکتی مبتنی بر آیتم: عملی
تنظیم الگوریتم های فیلتر مشترک
ارزیابی سیستم های فیلتر مشترک به صورت آفلاین
نرخ ضربه فیلتر مشارکتی مبتنی بر آیتم را اندازه گیری کنید
توصیه کنندگان KNN
اجرای KNN مبتنی بر کاربر و آیتم در MovieLens
با پارامترهای مختلف KNN آزمایش کنید
هشدار لبه خونریزی: توصیه های مبتنی بر ترجمه
7. روشهای فاکتورسازی ماتریسی
تجزیه و تحلیل مؤلفه اصلی (PCA)
تجزیه مقدار منفرد (SVD)
اجرای SVD و SVD++ در MovieLens
بهبود در SVD
هایپرپارامترها را روی SVD تنظیم کنید
هشدار لبه خونریزی: روش های خطی پراکنده (SLIM)
8. مقدمه ای بر یادگیری عمیق
مقدمه یادگیری عمیق
پیش نیازهای یادگیری عمیق
تاریخچه شبکه های عصبی مصنوعی
بازی با TensorFlow
آموزش شبکه های عصبی
تنظیم شبکه های عصبی
مقدمه ای بر TensorFlow
تشخیص دست خط با تنسورفلو، قسمت 1
تشخیص دست خط با تنسورفلو، قسمت 2
تشخیص دست خط با تنسورفلو، قسمت 3
معرفی کراس
تشخیص دست خط با کراس
الگوهای طبقه بندی کننده با کراس
احزاب سیاسی سیاستمداران را با کراس پیش بینی کنید
مقدمه ای بر شبکه های عصبی کانولوشنال (CNN)
معماری های CNN
تشخیص دست خط با CNN
مقدمه ای بر شبکه های عصبی مکرر (RNN)
آموزش شبکه های عصبی مکرر
تحلیل احساسات نقدهای فیلم با استفاده از RNN و Keras
9. یادگیری عمیق برای سیستم های توصیه کننده
مقدمه ای بر یادگیری عمیق برای توصیه کنندگان
ماشین های محدود بولتزمن (RBM)
توصیه هایی با RBM ها، قسمت 1
توصیه هایی با RBM ها، قسمت 2
ارزیابی توصیه کننده RBM
تنظیم ماشین های محدود بولتزمن
نتایج تمرین: تنظیم یک توصیه‌کننده RBM
رمزگذارهای خودکار برای توصیه ها: یادگیری عمیق برای ضبط
توصیه هایی با شبکه های عصبی عمیق
توصیه‌های جریان کلیک با RNN
GRU4Rec را بر روی دسکتاپ خود کار کنید
نتایج تمرین: GRU4Rec در عمل
هشدار لبه خونریزی: ماشین های فاکتورسازی عمیق
فناوری های نوظهور بیشتری برای تماشا
10. افزایش مقیاس
معرفی و نصب آپاچی اسپارک
معماری آپاچی اسپارک
توصیه‌های فیلم با Spark، فاکتورسازی ماتریس و ALS
توصیه هایی از 20 میلیون رتبه بندی با Spark
آمازون DSSTNE
DSSTNE در عمل
افزایش مقیاس DSSTNE
AWS SageMaker و ماشین های فاکتورسازی
SageMaker در عمل: ماشین‌های فاکتورسازی در یک میلیون رتبه‌بندی، در فضای ابری
11. چالش های دنیای واقعی سیستم های توصیه کننده
مشکل شروع سرد (و راه حل ها)
اجرای اکتشاف تصادفی
راه حل تمرین: کاوش تصادفی
توقف کنندگان
یک لیست توقف اجرا کنید
راه حل تمرین: یک لیست توقف اجرا کنید
حباب‌ها، اعتماد و موارد پرت را فیلتر کنید
کاربران پرت را شناسایی و حذف کنید
راه حل تمرین: حذف بیرونی
تقلب، خطرات جریان کلیک، و نگرانی های بین المللی
اثرات زمانی و توصیه های آگاهانه از ارزش
12. مطالعات موردی
مطالعه موردی: YouTube، بخش 1
مطالعه موردی: یوتیوب، قسمت 2
مطالعه موردی: نتفلیکس، قسمت 1
مطالعه موردی: نتفلیکس، قسمت 2
13. رویکردهای ترکیبی
توصیه کنندگان ترکیبی و ورزش
راه حل تمرین: توصیه کنندگان ترکیبی
نتیجه
بیشتر برای کاوش