Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Ce cours vous montre comment créer des moteurs de recommandation avec l’algorithme Alternating Least Squares dans PySpark. À partir des jeux de données populaires MovieLens et Million Songs, vous avancerez pas à pas dans l’intuition de l’algorithme ALS, puis dans le code pour entraîner, tester et déployer des modèles ALS sur différents types de données clients.
Prérequis
Programme de formation
Plan du cours
1
Les recommandations sont partout
Ce chapitre montre la puissance des moteurs de recommandation et présente les différences essentielles entre les moteurs de filtrage collaboratif et ceux basés sur le contenu, ainsi que les types de données implicites et explicites qu’ils peuvent exploiter. Vous découvrirez aussi une méthode très efficace pour révéler des caractéristiques cachées (caractéristiques latentes) dont vous n’aviez peut‑être pas conscience dans vos jeux de données clients.
- Pourquoi apprendre à créer des moteurs de recommandation ?50 XP
- Découvrez la puissance d’un moteur de recommandations100 XP
- La puissance des moteurs de recommandation50 XP
- Types de moteurs de recommandation et types de données50 XP
- Collaborative filtering vs content-based filtering50 XP
- Filtrage collaboratif vs basé sur le contenu, partie II50 XP
- Données implicites vs explicites100 XP
- Types de données de notation100 XP
- Usages des moteurs de recommandation50 XP
- Autres usages des moteurs de recommandation.50 XP
- Confirmez votre compréhension des caractéristiques latentes100 XP
2
Comment fonctionne ALS ?
Dans ce chapitre, vous reverrez les notions de base de la multiplication et de la factorisation de matrices, puis vous approfondirez le fonctionnement de l’algorithme Alternating Least Squares : ses arguments et hyperparamètres pour obtenir les meilleures recommandations possibles. Vous apprendrez également des techniques clés pour bien préparer vos données à ALS dans Spark.
3
Recommander des films
Dans ce chapitre, vous découvrirez le jeu de données MovieLens. Vous verrez comment évaluer sa pertinence pour ALS, construire un modèle ALS complet avec validation croisée et apprendre à évaluer ses performances. Ce sera la base de tous les modèles ALS que vous créerez ensuite avec PySpark.
4
Et si vous n’avez pas d’avis clients ?
Dans la plupart des cas réels, vous n’aurez pas de données clients « parfaites » pour construire un modèle ALS. Ce chapitre vous apprend à utiliser les données de comportement client pour « déduire » des notes et à exploiter ces notes déduites pour créer un moteur de recommandation ALS. En utilisant le jeu de données Million Songs ainsi qu’une autre version de MovieLens, vous verrez comment tirer parti des données disponibles pour bâtir un moteur de recommandation avec ALS et en évaluer les performances.
Créer des moteurs de recommandation avec PySpark
Cours
terminé
