ساخت سیستم های توصیه برای برنامه های کاربردی کسب و کار

پیاده سازی سیستم های تحقیقاتی مبتنی بر علم برای برنامه های کاربردی کسب و کار با استفاده از پایتون در Google Colab

عنوان اصلی : Practical Recommender Systems For Business Applications

سرفصل های دوره :

به دوره خوش آمدید:
داده ها و کد ها
Google Colabs و GPU
چرا سیستم های توصیه شده؟
اصول اولیه پایتون برای علوم داده:
معرفی به پانداها
خواندن چند CSVs
اطلاعات مربوط به SQL را بخوانید
خواندن در فایل های JSON
خواندن اطلاعات متن
کیفیت داده را ارزیابی کنید
پاک کردن داده های پایتون
گروه بندی گروه بندی
اطلاعات بیشتر اطلاعات و محوری
تجسم داده های پایه
تجسم بیشتر
بررسی ابعاد زمانی
مفاهیم آماری پایه:
تجزیه و تحلیل مولفه اصلی (PCA)
کاربرد عملی PCA
تجزیه تک بردار (SVD) -Theory
اجرای SVD
تئوری تکیه ناپذیر
K-means خوشه بندی: نظریه
شباهت کوزین
jaccard شباهت
معرفی به یادگیری تحت نظارت
K- نزدیکترین همسایگان (KNN) -Theory
موتورهای توصیه شده چیست؟ :
انواع مختلف سیستم توصیه شده
موتورهای توصیه شده فیلتر:
فاصله اقلیدسی به عنوان پایه ای برای تهیه توصیه ها
استفاده از فواصل و SVD برای توصیه ها
چگونه صفات دموگرافیک می تواند با ارائه توصیه ها کمک کند
پردازش داده های پایه
لیست نهایی فیلم ها
موتورهای توصیه شده مشترک:
فیلترینگ بر اساس اساسی
برای فیلتر کردن محتوای بیشتر تعجب
پیشنهادات ترکیبی-lightfm
یک مشکل برای سیستم های توصیه شده کلاسیک را تنظیم کنید
فیلتر کردن محتوا
فیلتر همکاری
کار با داده های متنی:
نظریه تمیز کردن متن
تمیز کردن متن-بخش 1
تمیز کردن متن-بخش 2
تمیز کردن مبتنی بر NTLK
یکی دیگر از گردش کار مبتنی بر NTLK
WordClouds چیست؟
ابرهای کلمه برای تم های فیلم
TF-IDF: نظریه
اجرای عملی TF-IDF
سیستم توصیه شده بر اساس متن:
فیلتر کردن محتوا بر روی داده های متنی با تعجب
Word2Vec برای توصیه های اساسی
یک نوع دیگر
توصیه مبتنی بر Word2EC بر اساس موارد
متفرقه:
فرهنگ لغت چیست؟