Mengestimasi rekomendasi

Gunakan pengetahuan Anda tentang perkalian matriks untuk menentukan film mana yang akan memiliki rekomendasi tertinggi untuk User_3. Matriks rating telah difaktorkan menjadi U dan P dengan ALS.

Latihan ini merupakan bagian dari kursus

Membangun Recommendation Engine dengan PySpark

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# View left factor matrix
print(____)

Edit dan Jalankan Kode

Latihan ini merupakan bagian dari kursus

Membangun Recommendation Engine dengan PySpark

SkillTag.level.advancedSkillTag.label

4.9+

Mulai Kursus Gratis

Bab ini akan menunjukkan betapa kuatnya recommendation engine, serta memberikan perbedaan penting antara mesin collaborative filtering dan mesin berbasis konten, juga jenis data implisit dan eksplisit yang dapat digunakan oleh recommendation engine. Anda juga akan mempelajari cara yang sangat ampuh untuk mengungkap fitur tersembunyi (latent feature) yang mungkin bahkan tidak Anda ketahui keberadaannya dalam himpunan data pelanggan.

Exercise 1: Mengapa perlu mempelajari cara membangun recommendation engine?Exercise 2: Lihat kekuatan mesin rekomendasi Exercise 3: Kekuatan mesin rekomendasi Exercise 4: Jenis-jenis recommendation engine dan jenis data Exercise 5: Collaborative vs content-based filtering Exercise 6: Collaborative vs content-based filtering bagian II Exercise 7: Data implisit vs eksplisit Exercise 8: Tipe data rating Exercise 9: Kegunaan mesin rekomendasi Exercise 10: Penggunaan alternatif dari recommendation engine.Exercise 11: Konfirmasi pemahaman tentang fitur laten

Di bab ini Anda akan meninjau konsep dasar perkalian matriks dan faktorisasi matriks, lalu menyelami cara kerja algoritma Alternating Least Squares serta argumen dan hyperparameter yang digunakannya untuk menghasilkan rekomendasi sebaik mungkin. Anda juga akan mempelajari teknik penting untuk menyiapkan data dengan benar agar siap digunakan oleh ALS di Spark.

Exercise 1: Tinjauan perkalian matriks Exercise 2: Perkalian matriks Exercise 3: Perkalian matriks bagian II Exercise 4: Tinjauan faktoriasi matriks Exercise 5: Faktorisasi matriks Exercise 6: Faktorisasi matriks nonnegatif Exercise 7: Bagaimana ALS bergantian untuk menghasilkan prediksi Exercise 8: Mengestimasi rekomendasi

Latihan Saat Ini

Exercise 9: RMSE saat ALS bergantian Exercise 10: Persiapan data untuk Spark ALS Exercise 11: Format benar dan pengguna unik Exercise 12: Memberi id bilangan bulat untuk film Exercise 13: Parameter dan hiperparameter ALS Exercise 14: Bangun model ALS Exercise 15: Bangun evaluator RMSE Exercise 16: Dapatkan RMSE

Di bab ini Anda akan diperkenalkan pada himpunan data MovieLens. Anda akan mempelajari cara menilai kelayakannya untuk ALS, membangun model ALS lengkap dengan validasi silang, serta mengevaluasi kinerjanya. Ini akan menjadi fondasi bagi semua model ALS berikutnya yang Anda bangun menggunakan PySpark.

Exercise 1: Pengantar himpunan data MovieLens Exercise 2: Melihat Data MovieLens Exercise 3: Hitung sparsity Exercise 4: Metode GroupBy dan Filter Exercise 5: Statistik Ringkas MovieLens Exercise 6: Lihat Skema Exercise 7: Pembangunan model ALS pada Data MovieLens Exercise 8: Buat split data train/test dan bangun model ALS Anda Exercise 9: Beritahu Spark cara menyetel model ALS Anda Exercise 10: Bangun pipeline validasi silang Anda Exercise 11: Model Terbaik dan Parameter Model Terbaik Exercise 12: Evaluasi Kinerja Model Exercise 13: Hasilkan prediksi dan hitung RMSE Exercise 14: Menafsirkan RMSE Exercise 15: Apakah rekomendasi masuk akal

Dalam kebanyakan situasi nyata, Anda tidak akan memiliki data pelanggan yang “sempurna” untuk membangun model ALS. Bab ini akan mengajarkan cara menggunakan data perilaku pelanggan untuk “menyimpulkan” penilaian pelanggan dan menggunakan penilaian tersimpul tersebut untuk membangun recommendation engine ALS. Dengan menggunakan Million Songs Dataset serta versi lain dari himpunan data MovieLens, bab ini akan menunjukkan cara memanfaatkan data yang tersedia untuk membangun recommendation engine menggunakan ALS dan mengevaluasi kinerjanya.

Exercise 1: Pengantar Million Songs Dataset Exercise 2: Konfirmasi pemahaman tentang konsep peringkat implisit Exercise 3: Statistik ringkas MSD Exercise 4: Statistik ringkasan berkelompok Exercise 5: Tambahkan nol Exercise 6: Mengevaluasi model peringkat implisit Exercise 7: Tentukan hiperparameter ALS Exercise 8: Membangun model implisit Exercise 9: Menjalankan model ALS implisit dengan validasi silang Exercise 10: Mengekstrak parameter Exercise 11: Tinjauan peringkat biner dan implisit Exercise 12: Kinerja model biner Exercise 13: Rekomendasi dari data biner Exercise 14: Rangkuman kursus