دوره آموزشی یادگیری ماشین و مبانی هوش مصنوعی: توصیه ها
58 دقیقهمتوسط2017-04-10
مدرسین

Adam Geitgey
Developer and Machine Learning Consultant
جزئیات دوره
این دوره مبتنی بر پروژه به برنامه نویسان در تمام سطوح مهارت نشان می دهد که چگونه از یادگیری ماشین برای ساخت برنامه هایی که می توانند توصیه کنند استفاده کنند. در این دوره، Adam Geitgey شما را در آزمایشگاهی که در حال ساخت یک سیستم توصیه می باشد، راهنمایی می کند که قادر است محصولات مشابهی را بر اساس محصولات قبلی که آنها بررسی کرده یا خریداری کرده اند به مشتریان پیشنهاد دهد. این سیستم همچنین می تواند تشخیص دهد که کدام محصولات مشابه یکدیگر هستند.
سیستم های توصیه تقریباً بخش اصلی هر وب سایت مصرف کننده مدرن هستند. این سیستم ها با کمک به مشتریان در کشف محصولات و خدماتی که ممکن است هرگز خودشان را پیدا نکنند، به تعامل و فروش مشتری کمک می کند. این دوره از ابزارهای رایگان و منبع باز Python 3.5، pandas و numpy استفاده می کند. در پایان دوره، شما مجهز به استفاده از یادگیری ماشین برای حل مشکلات توصیه خواهید بود. سپس می توانید آنچه را که یاد می گیرید مستقیماً در پروژه های خود اعمال کنید.
اهداف یادگیری
ساخت سیستم یادگیری ماشین
آموزش سیستم یادگیری ماشین
پالایش دقت سیستم یادگیری ماشین
ارزیابی توصیه های دریافتی
سیستم های توصیه تقریباً بخش اصلی هر وب سایت مصرف کننده مدرن هستند. این سیستم ها با کمک به مشتریان در کشف محصولات و خدماتی که ممکن است هرگز خودشان را پیدا نکنند، به تعامل و فروش مشتری کمک می کند. این دوره از ابزارهای رایگان و منبع باز Python 3.5، pandas و numpy استفاده می کند. در پایان دوره، شما مجهز به استفاده از یادگیری ماشین برای حل مشکلات توصیه خواهید بود. سپس می توانید آنچه را که یاد می گیرید مستقیماً در پروژه های خود اعمال کنید.
اهداف یادگیری
ساخت سیستم یادگیری ماشین
آموزش سیستم یادگیری ماشین
پالایش دقت سیستم یادگیری ماشین
ارزیابی توصیه های دریافتی
مهارت ها
scikit-learnMachine LearningArtificial Intelligence FoundationsPythonEssential TrainingArtificial Intelligence (AI)Open Source
سرفصل ها
0. مقدمه
- 01 - خوش آمدید
- 02 - آنچه باید قبل از تماشای این دوره بدانید
- 03 - استفاده از فایلهای تمرین
- 04 - محیط را تنظیم کنید
1. مبانی ارائه توصیه ها
- 05 - سیستم توصیه چیست
- 06 - با سیستمهای توصیه چه کاری میتوانید انجام دهید
- 07 - استفادههای جالب از سیستمهای توصیه
2. راههای ارائه توصیه ها
- 08 - توصیههای مبتنی بر محتوا - توصیه بر اساس ویژگیهای محصول
- 09 - فیلتر مشارکتی - توصیه بر اساس کاربران مشابه
3. آشنایی با ابزارهای ما
- 10 - آشنایی با NumPy، SciPy و پانداها
- 11 - در بردارها فکر کنید - چگونه با مجموعه دادههای بزرگ به طور مؤثر کار کنید
4. ایجاد چارچوب برای سیستم توصیه ما
- 12 - مجموعه دادههای توصیه محصول ما را کاوش کنید
- 13 - نظرات محصول را به صورت ماتریس نشان دهید
- 14 - با پیشبینی رتبهبندیهای گمشده کاربران، توصیه کنید
- 15 - روشی ساده برای پیشبینی رتبه بندی کاربران از دست رفته
5. فیلتر مشارکتی با فاکتورسازی ماتریس
- 16 - نمایش نهفته کاربران و محصولات
- 17 - کد سیستم توصیه
- 18 - فاکتورسازی ماتریسی چگونه کار میکند
- 19 - از نمایشهای نهفته برای یافتن محصولات مشابه استفاده کنید
6. تست سیستم ما
- 20 - توصیههای سیستم ما را بررسی کنید
- 21 - از منظم سازی استفاده کنید
- 22 - دقت توصیه را اندازهگیری کنید
7. استفاده از سیستم توصیه در یک برنامه دنیای واقعی
- 23 - برای کاربران موجود توصیههایی ارائه کنید
- 24 - نحوه برخورد با کاربرانی که اولین بار هستند
- 25 - محصولات مشابه را بیابید
نتیجه
- 26 - جمع کنید