Inizia subitoInizia gratis

Home
Corsi
Costruire motori di raccomandazione con PySpark

Perché imparare a costruire motori di raccomandazione?

Create Your Free Account

or

Email Address

Password

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Questo esercizio fa parte del corso

Costruire motori di raccomandazione con PySpark

AvançadoNível de habilidade

4.9+

Inizia il corso gratuitamente

Questo capitolo ti mostrerà quanto possono essere potenti i motori di raccomandazione e chiarirà le differenze tra motori di collaborative filtering e motori basati sui contenuti, oltre ai diversi tipi di dati impliciti ed espliciti che possono utilizzare. Imparerai anche un metodo molto efficace per scoprire caratteristiche nascoste (latent features) che potresti non sapere nemmeno esistano nei tuoi insiemi di dati dei clienti.

Exercise 1: Perché imparare a costruire motori di raccomandazione?

Esercizio attuale

Exercise 2: Scopri la potenza di un motore di raccomandazione Exercise 3: La potenza dei motori di raccomandazione Exercise 4: Tipi di motori di raccomandazione e tipi di dati Exercise 5: Collaborative vs content-based filtering Exercise 6: Collaborative vs content-based filtering parte II Exercise 7: Dati impliciti vs espliciti Exercise 8: Tipi di valutazioni Exercise 9: Utilizzi dei motori di raccomandazione Exercise 10: Usi alternativi dei motori di raccomandazione.Exercise 11: Conferma la comprensione delle caratteristiche latenti

In questo capitolo ripasserai i concetti di base della moltiplicazione e della fattorizzazione di matrici e approfondirai come funziona l’algoritmo Alternating Least Squares, quali argomenti e iperparametri utilizza per restituire le migliori raccomandazioni possibili. Imparerai inoltre tecniche importanti per preparare correttamente i dati per ALS in Spark.

Exercise 1: Panoramica sulla moltiplicazione di matrici Exercise 2: Moltiplicazione di matrici Exercise 3: Moltiplicazione di matrici - parte II Exercise 4: Panoramica sulla fattorizzazione di matrici Exercise 5: Fattorizzazione di matrici Exercise 6: Fattorizzazione in matrici non negative Exercise 7: Come ALS alterna per generare le previsioni Exercise 8: Stimare le raccomandazioni Exercise 9: RMSE mentre ALS alterna Exercise 10: Preparazione dei dati per Spark ALS Exercise 11: Formato corretto e utenti unici Exercise 12: Assegnare ID interi ai film Exercise 13: Parametri e iperparametri di ALS Exercise 14: Costruisci un modello ALS Exercise 15: Crea un valutatore RMSE Exercise 16: Ottieni l'RMSE

In questo capitolo ti verrà presentato il dataset MovieLens. Vedrai come valutarne l’idoneità per ALS, costruire un modello ALS completo con cross-validation e imparare a valutarne le prestazioni. Questo sarà la base per tutti i modelli ALS che costruirai in seguito usando PySpark.

Exercise 1: Introduzione al dataset MovieLens Exercise 2: Esplorare i dati di MovieLens Exercise 3: Calcolare la sparsezza Exercise 4: I metodi GroupBy e Filter Exercise 5: Statistiche riassuntive di MovieLens Exercise 6: Visualizza schema Exercise 7: Sviluppo di un modello ALS sui dati MovieLens Exercise 8: Crea gli split di test/train e costruisci il tuo modello ALS Exercise 9: Indica a Spark come ottimizzare il tuo modello ALS Exercise 10: Crea la tua pipeline di cross validation Exercise 11: Miglior modello e relativi parametri Exercise 12: Valutazione delle prestazioni del modello Exercise 13: Genera le predizioni e calcola l'RMSE Exercise 14: Interpretare la RMSE Exercise 15: Le raccomandazioni hanno senso

Nella maggior parte dei casi reali, non avrai a disposizione dati dei clienti “perfetti” per costruire un modello ALS. Questo capitolo ti insegnerà come usare i dati di comportamento dei clienti per “inferire” le valutazioni e utilizzare tali valutazioni inferite per creare un motore di raccomandazione con ALS. Usando il Million Songs Dataset e un’altra versione del dataset MovieLens, vedrai come sfruttare i dati disponibili per costruire un motore di raccomandazione con ALS e valutarne le prestazioni.

Exercise 1: Introduzione al Million Songs Dataset Exercise 2: Conferma la comprensione dei concetti di valutazione implicita Exercise 3: Statistiche sintetiche su MSD Exercise 4: Statistiche riassuntive raggruppate Exercise 5: Aggiungi zeri Exercise 6: Valutare i modelli con valutazioni implicite Exercise 7: Specifica gli iperparametri di ALS Exercise 8: Crea modelli impliciti Exercise 9: Esecuzione di un modello ALS implicito con convalida incrociata Exercise 10: Estrazione dei parametri Exercise 11: Panoramica delle valutazioni implicite binarie Exercise 12: Prestazioni del modello binario Exercise 13: Raccomandazioni da dati binari Exercise 14: Ripasso del corso