or
Latihan ini merupakan bagian dari kursus
Masalah apa yang dirancang untuk diselesaikan oleh recommendation engine dan data seperti apa yang paling cocok untuknya? Ketahui rekomendasi bermakna apa yang dapat dibuat bahkan dengan data terbatas, dan pelajari cara membuat rekomendasi Anda sendiri.
Pelajari bagaimana atribut item dapat digunakan untuk membuat rekomendasi. Buat perbandingan yang bernilai antara item dengan data kategorikal maupun teks. Bangun profil untuk merekomendasikan item baru kepada pengguna berdasarkan preferensi masa lalu mereka.
Temukan item baru untuk direkomendasikan kepada pengguna dengan mencari orang lain yang memiliki selera serupa. Pelajari cara membuat rekomendasi berbasis pengguna dan berbasis item—serta dalam konteks apa keduanya sebaiknya digunakan. Gunakan model k-nearest neighbors untuk memanfaatkan kebijaksanaan kolektif dan memprediksi bagaimana seseorang mungkin memberi nilai pada item yang belum pernah mereka temui.
Pahami bagaimana kelangkaan (sparsity) pada himpunan data dunia nyata dapat memengaruhi rekomendasi Anda. Manfaatkan kekuatan faktorisasi matriks untuk menangani kelangkaan ini. Jelajahi nilai fitur laten dan gunakan fitur tersebut untuk lebih memahami data Anda. Terakhir, uji model yang telah Anda pelajari dengan mempelajari cara memvalidasi setiap pendekatan yang telah dipelajari.
Latihan Saat Ini