الگوریتم های توصیه یادگیری عمیق با پایتون

نحوه ایجاد سیستم های توصیه یادگیری ماشین با یادگیری عمیق ، فیلتر مشترک و پایتون.

عنوان اصلی : Deep Learning Recommendation Algorithms with Python

سرفصل های دوره :

00a مقدمه به سیستم های پیشنهادی:
02 نحوه ارزیابی سیستم های پیشنهادی
03 توصیه های مبتنی بر محتوا
04 فیلتر مشارکتی مبتنی بر محله
پرونده های منبع
00b دوره های تعاملی ماموت مقدمه:
01 نحوه یادگیری آنلاین به طور مؤثر
00c مقدمه بر پایتون (پیش نیاز):
00. معرفی به دوره و پایتون
01. متغیرها
02. نمونه های تبدیل را تایپ کنید
03. عملگر
04. مجموعه ها
05. نمونه های لیست
06. نمونه های Tuples
07. نمونه های فرهنگ لغت
09. شرط
10. اگر مثال بیانیه
11. حلقه
12. کارکرد
13. پارامترها و نمونه های بازگشت مقادیر
14. کلاس ها و اشیاء
15. نمونه های وراثت
16. مثالهای اعضای استاتیک
17. خلاصه و OUTRO
کد منبع
01 ساخت یک سیستم پیشنهادی فیلم اساسی:
01 بارگیری داده ها به عنوان pandas dataframes
02 ادغام فیلم ها و رتبه بندی DataFrames
03 یک ماتریس همبستگی بسازید
04 توصیه کننده را تست کنید
پرونده های منبع
02 پروژه های 2 و 3 پیش نمایش - پیشنهاد دهنده فیلم یادگیری ماشین:
00 پیش نمایش پروژه
03 اصول یادگیری ماشین:
00a یادگیری ماشین چیست
00b انواع مدل های یادگیری ماشین
00c آنچه تحت نظارت است
04 مقدمه ای به شباهت کاربر:
01 بارگیری داده ها در DataFrames
02 توصیه ای را بر اساس ویژگی های مختلف فیلم پیدا کنید
03 فاصله بین کاربران را محاسبه کنید
04 کاربران مشابه را با فاصله اقلیدسی پیدا کنید
پرونده های منبع:
05 فیلمی را بر اساس شباهت کاربر توصیه کنید:
05 شباهت بین کاربران را تعریف کنید
06 بهترین کاربران مشابه را پیدا کنید
07 فیلمی را بر اساس شباهت کاربر توصیه کنید
پرونده های منبع
06 فیلمی را با k نزدیکترین همسایگان طبقه بندی کنید:
08a نزدیکترین همسایگان چیست
08b فیلمی را با طبقه بندی کننده همسایگان K توصیه کنید
09 برای آزمایش یک کاربر نمونه ایجاد کنید
10 فیلم را به نمونه کاربر توصیه کنید
پرونده های منبع
07 پروژه 4 پیش نمایش - توصیه کننده یادگیری ماشین پیچیده:
00 پیش نمایش پروژه
08 پروفایل ها و موارد پردازش داده ها:
01 داده بار برای یادگیری ماشین
02 داده فرآیند برای یادگیری ماشین
03 دسته بندی های ساخت
پرونده های منبع
09 ساخت مدل برای توصیه های کاربر:
معرفی رگرسیون 04A
04b رگرسیون چیست
04C یک مدل رگرسیون ریج را بسازید
05 خطای مدل را ارزیابی کنید
06 ویژگی های برتر را که بر رتبه بندی تأثیر می گذارد تجسم کنید
07 یک مدل رگرسیون لاسو بسازید
08 ویژگی های برتر را از رگرسیون لاسو تجسم کنید
09 تعیین کنید کدام مدل بهترین است
پرونده های منبع:
10 برای پیش بینی رتبه بندی یک مدل بسازید:
01 داده بار برای یک شبکه عصبی
02 یک الگوریتم تجزیه ارزش منحصر به فرد بسازید
03 خطای مدل را محاسبه کنید
پرونده های منبع
11 اصول یادگیری عمیق:
01 یادگیری عمیق چیست
02 شبکه عصبی چیست
03 یادگیری بدون نظارت
12 برای پیش بینی رتبه بندی یک شبکه عصبی بسازید:
04 ایجاد یک شبکه عصبی
05 شبکه عصبی را آموزش دهید
پرونده منبع
13 تجزیه و تحلیل داده ها با پاندا ، Numpy و Sci-Kit یاد بگیرید:
01 بارگیری داده ها در DataFrames
02 داده ها را در مجموعه داده ما کاوش کنید
03 یک جدول محوری رتبه بندی کنید
04 میانگین امتیاز یک فیلم را محاسبه کنید
05 در هر قطعه رتبه بندی را برای یک فیلم پیدا کنید
06 میانگین رتبه بندی برای هر فیلم در برش را پیدا کنید
07 یک ستون متوسط ​​رتبه بندی کنید
پرونده های منبع: