دوره آموزشی ساخت سیستم‌های توصیه‌گر با یادگیری ماشین و هوش مصنوعی

توصیه های خودکار در همه جا وجود دارد: نتفلیکس، آمازون، یوتیوب و موارد دیگر. سیستم‌های توصیه‌کننده درباره علایق منحصربه‌فرد شما می‌آموزند و محصولات یا محتوایی را که فکر می‌کنند بیشتر دوست دارید نشان می‌دهند. کشف کنید که چگونه می توانید سیستم های توصیه کننده خود را از یکی از پیشگامان در این زمینه بسازید. فرانک کین بیش از 9 سال را در آمازون گذراند، جایی که او توسعه بسیاری از فناوری‌های سفارشی محصول شخصی‌شده شرکت را رهبری کرد. در این دوره، او الگوریتم‌های توصیه مبتنی بر فیلتر مشارکتی مبتنی بر همسایگی و تکنیک‌های مدرن‌تر، از جمله فاکتورسازی ماتریس و حتی یادگیری عمیق با شبکه‌های عصبی مصنوعی را پوشش می‌دهد. در طول مسیر، می‌توانید از تجربه گسترده فرانک در صنعت بیاموزید و چالش‌های دنیای واقعی استفاده از این الگوریتم‌ها را در مقیاس بزرگ با داده‌های دنیای واقعی درک کنید. همچنین می‌توانید با استفاده از فناوری‌هایی مانند Amazon DSSTNE، AWS SageMaker و TensorFlow، چارچوب خود را برای آزمایش الگوریتم‌ها توسعه دهید و شبکه‌های عصبی خود را بسازید.

اهداف یادگیری
معماری های توصیه گر Top-N
انواع توصیه کننده
اصول پایتون برای کار با توصیه‌کنندگان
ارزیابی سیستم های توصیه گر
اندازه گیری توصیه کننده شما
بررسی چارچوب موتور توصیه‌گر
فیلترینگ مبتنی بر محتوا
فیلتر مشارکتی مبتنی بر محله
روش های فاکتورسازی ماتریسی
اصول یادگیری عمیق
استفاده از یادگیری عمیق در توصیه ها
مقیاس‌پذیری با Apache Spark، Amazon DSSTNE و AWS SageMaker
چالش ها و راه حل های دنیای واقعی با سیستم های توصیه گر
مطالعات موردی از YouTube و Netflix
ساخت هیبرید، توصیه کنندگان گروه