Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Este curso te mostrará cómo crear motores de recomendación usando Alternating Least Squares en PySpark. Con los populares conjuntos de datos MovieLens y Million Songs, te guiaremos paso a paso por la intuición del algoritmo Alternating Least Squares y por el código para entrenar, probar e implementar modelos ALS con varios tipos de datos de clientes.
Requisitos previos
Programa de formación
Contenido del curso
1
Las recomendaciones están en todas partes
En este capítulo verás lo potentes que pueden ser los motores de recomendación y conocerás las diferencias clave entre los motores de filtrado colaborativo y los basados en contenido, así como los distintos tipos de datos implícitos y explícitos que pueden usar. También aprenderás una forma muy eficaz de descubrir características ocultas (características latentes) que quizá ni siquiera sepas que existen en conjuntos de datos de clientes.
- ¿Por qué aprender a crear motores de recomendación?50 XP
- Descubre la potencia de un motor de recomendaciones100 XP
- El poder de los motores de recomendación50 XP
- Tipos de motores de recomendación y tipos de datos50 XP
- Filtrado colaborativo vs. filtrado basado en contenido50 XP
- Filtrado colaborativo vs. basado en contenido (parte II)50 XP
- Datos implícitos vs. explícitos100 XP
- Tipos de datos de valoraciones100 XP
- Usos de los motores de recomendaciones50 XP
- Usos alternativos de los motores de recomendación.50 XP
- Confirma que entiendes las características latentes100 XP
2
¿Cómo funciona ALS?
En este capítulo repasarás conceptos básicos de multiplicación y factorización de matrices, y profundizarás en cómo funciona el algoritmo Alternating Least Squares y qué argumentos e hiperparámetros utiliza para devolver las mejores recomendaciones posibles. También aprenderás técnicas importantes para preparar correctamente tus datos para ALS en Spark.
3
Recomendar películas
En este capítulo conocerás el conjunto de datos MovieLens. Verás cómo evaluar si es adecuado para ALS, construirás un modelo ALS completo con validación cruzada y aprenderás a evaluar su rendimiento. Esto será la base de todos los modelos ALS que construyas con PySpark.
4
¿Y si no tienes valoraciones de clientes?
En la mayoría de situaciones reales, no tendrás datos de clientes «perfectos» disponibles para crear un modelo ALS. Este capítulo te enseñará a usar los datos de comportamiento de tus clientes para «inferir» valoraciones y emplear esas valoraciones inferidas para construir un motor de recomendación con ALS. Con el Million Songs Dataset y otra versión de MovieLens, verás cómo aprovechar los datos que tienes para crear un motor de recomendación con ALS y evaluar su rendimiento.
Creación de motores de recomendación con PySpark
Curso
completado
