Bu kursları tamamladıktan sonra profesyonel görselleştirmeler ve panolar oluşturma konusunda kendime güveniyorum
Kurs Açıklaması
Artık çevrimiçi deneyimlerin kişiselleştirilmesini bekliyoruz—Netflix’in bir dizi önermesi ya da bir perakendecinin hoşuna gidebilecek ürünleri sunması gibi. Peki bu öneriler nasıl oluşturuluyor? Bu derste, kendi öneri motorunu oluşturmak için bilmen gereken her şeyi öğreneceksin. Uygulamalı egzersizlerle en yaygın iki sistemi, collaborative filtering ve content-based filtering’i kavrayacaksın. Ardından, Jaccard uzaklığı ve kosinüs benzerliği gibi benzerlik ölçülerini hesaplamayı ve kök ortalama kare hatası (RMSE) kullanarak test verisi üzerinde önerilerin kalitesini değerlendirmeyi öğreneceksin. Dersin sonunda, kendi film öneri motorunu kurmuş ve bu sistemleri herhangi bir sektörde oluşturmak için Python becerilerini uygulayabilir hale gelmiş olacaksın.
Ön Koşullar
Müfredat
Kurs planı
1
Öneri Motorlarına Giriş
Öneri motorları hangi sorunları çözmek için tasarlanır ve hangi veriler onlar için daha uygundur? Sınırlı veriyle bile hangi içgörülü önerilerin yapılabileceğini ayırt et ve kendi önerilerini oluşturmayı öğren.
- Öneri motorları nedir?50 XP
- Öneri motorları vs. tahminler100 XP
- Öneri motorları için doğru veriyi belirleme50 XP
- Örtük ve açık veri100 XP
- Kişisel olmayan öneriler50 XP
- Kişiselleştirilmemiş önerilere giriş100 XP
- Geliştirilmiş kişiselleştirilmemiş öneriler100 XP
- Popülerlik ve incelemeleri birleştirmek100 XP
- Kişiselleştirilmemiş öneriler50 XP
- Tüm film çiftlerini bulma100 XP
- Eşleşmeleri saymak100 XP
- İlk film önerilerini oluşturma100 XP
2
İçerik Tabanlı Öneriler
Öğe özelliklerinin öneri yapmak için nasıl kullanılabileceğini keşfet. Hem kategorik hem de metin verileriyle öğeler arasında değerli karşılaştırmalar oluştur. Kullanıcıların geçmiş tercihlerini temel alarak yeni öğeler önermek için profiller üret.
3
Collaborative Filtering
Benzer zevklere sahip kişileri bularak kullanıcılara önerebileceğin yeni öğeleri keşfet. Kullanıcı tabanlı ve öğe tabanlı öneriler yapmayı—ve hangi bağlamda kullanılmaları gerektiğini—öğren. Kalabalığın bilgeliğinden yararlanmak için k-en yakın komşu modellerini kullan ve birinin henüz karşılaşmadığı bir öğeye nasıl puan verebileceğini tahmin et.
4
Matris Ayrıştırma ve Tahminlerini Doğrulama
Gerçek dünya veri kümelerindeki seyrekliğin önerilerini nasıl etkileyebileceğini anla. Bu seyrekliği ele almak için matris ayrıştırmanın gücünden yararlan. Örtük (latent) özelliklerin değerini keşfet ve verilerini daha iyi anlamak için onları kullan. Son olarak, öğrendiğin her yaklaşımı nasıl doğrulayacağını öğrenerek keşfettiğin modelleri teste tabi tut.
Python ile Öneri Motorları Geliştirme
Kurs
Tamamlandı

