การใช้งานอื่น ๆ ของ Recommendation Engine

เลือกนิยามที่ดีที่สุดของ "ฟีเจอร์แฝง (latent features)"

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การสร้าง Recommendation Engines ด้วย PySpark

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำจริง

เปลี่ยนทฤษฎีให้เป็นการลงมือทำด้วยแบบฝึกหัดเชิงโต้ตอบหนึ่งในของเรา

เริ่มแบบฝึกหัด

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

การสร้าง Recommendation Engines ด้วย PySpark

SkillTag.level.advancedSkillTag.label

4.9+

เริ่มคอร์สฟรี

บทนี้จะแสดงให้เห็นว่า Recommendation Engines มีประสิทธิภาพเพียงใด พร้อมอธิบายความแตกต่างระหว่าง Collaborative Filtering และ Content-Based Engine รวมถึงประเภทของข้อมูล Implicit และ Explicit ที่ Recommendation Engines สามารถนำไปใช้ได้ นอกจากนี้ยังจะได้เรียนรู้เทคนิคสำคัญในการค้นพบฟีเจอร์ที่ซ่อนอยู่ (Latent Features) ซึ่งอาจไม่เคยรู้ว่ามีอยู่ในชุดข้อมูลลูกค้า

Exercise 1: เหตุใดจึงควรเรียนรู้การสร้าง Recommendation Engine?Exercise 2: สัมผัสพลังของ Recommendation Engine Exercise 3: พลังของระบบแนะนำ Exercise 4: ประเภทของ Recommendation Engine และประเภทข้อมูล Exercise 5: Collaborative filtering vs Content-based filtering Exercise 6: Collaborative vs Content-Based Filtering ตอนที่ 2 Exercise 7: ข้อมูลแบบ Implicit และ Explicit Exercise 8: ประเภทข้อมูลคะแนน Exercise 9: การนำ Recommendation Engine ไปใช้งาน Exercise 10: การใช้งานอื่น ๆ ของ Recommendation Engine

แบบฝึกหัดปัจจุบัน

Exercise 11: ทำความเข้าใจ latent features

ในบทนี้จะทบทวนแนวคิดพื้นฐานของการคูณเมทริกซ์และการแยกตัวประกอบเมทริกซ์ จากนั้นเจาะลึกการทำงานของอัลกอริทึม Alternating Least Squares รวมถึง Arguments และ Hyperparameters ที่ใช้เพื่อให้ได้ผลลัพธ์การแนะนำที่ดีที่สุด นอกจากนี้ยังจะได้เรียนรู้เทคนิคสำคัญในการเตรียมข้อมูลสำหรับ ALS ใน Spark

Exercise 1: ภาพรวมของการคูณเมทริกซ์Exercise 2: การคูณเมทริกซ์Exercise 3: การคูณเมทริกซ์ ส่วนที่ 2 Exercise 4: ภาพรวมของการแยกตัวประกอบเมทริกซ์Exercise 5: การแยกตัวประกอบเมทริกซ์Exercise 6: การแยกตัวประกอบเมทริกซ์แบบไม่ติดลบ Exercise 7: ALS สลับกันอย่างไรเพื่อสร้างการทำนาย Exercise 8: การประมาณค่าคำแนะนำ Exercise 9: RMSE ขณะที่ ALS สลับการคำนวณ Exercise 10: การเตรียมข้อมูลสำหรับ Spark ALS Exercise 11: รูปแบบที่ถูกต้องและผู้ใช้ที่ไม่ซ้ำกัน Exercise 12: กำหนด ID จำนวนเต็มให้กับภาพยนตร์Exercise 13: พารามิเตอร์และไฮเปอร์พารามิเตอร์ของ ALS Exercise 14: สร้างโมเดล ALS Exercise 15: สร้าง RMSE Evaluator Exercise 16: คำนวณ RMSE

ในบทนี้จะได้รู้จักกับชุดข้อมูล MovieLens พร้อมเรียนรู้วิธีประเมินความเหมาะสมสำหรับ ALS สร้างโมเดล ALS แบบ Cross-Validated อย่างครบถ้วน และประเมินประสิทธิภาพของโมเดล บทนี้จะเป็นรากฐานสำหรับโมเดล ALS ทุกโมเดลที่จะสร้างด้วย PySpark ต่อไป

Exercise 1: แนะนำชุดข้อมูล MovieLens Exercise 2: ดูข้อมูล MovieLens Exercise 3: คำนวณค่า Sparsity Exercise 4: เมธอด GroupBy และ Filter Exercise 5: สถิติสรุปของ MovieLens Exercise 6: ดู Schema Exercise 7: การสร้างโมเดล ALS บนข้อมูล MovieLens Exercise 8: สร้างชุดข้อมูล test/train และสร้างโมเดล ALS Exercise 9: กำหนดการปรับจูน ALS โมเดลให้กับ Spark Exercise 10: สร้าง Cross Validation Pipeline Exercise 11: โมเดลที่ดีที่สุดและพารามิเตอร์ของโมเดล Exercise 12: การประเมินประสิทธิภาพของโมเดล Exercise 13: สร้างการคาดการณ์และคำนวณ RMSE Exercise 14: การตีความค่า RMSE Exercise 15: คำแนะนำสมเหตุสมผลหรือไม่

ในสถานการณ์จริงส่วนใหญ่ มักไม่มีข้อมูลลูกค้าที่ "สมบูรณ์แบบ" พร้อมสำหรับการสร้างโมเดล ALS บทนี้จะสอนวิธีใช้ข้อมูลพฤติกรรมของลูกค้าเพื่อ "อนุมาน" คะแนนรีวิว และนำคะแนนที่อนุมานได้นั้นมาสร้าง ALS Recommendation Engine โดยใช้ Million Songs Dataset และชุดข้อมูล MovieLens อีกเวอร์ชันหนึ่ง บทนี้จะแสดงให้เห็นวิธีใช้ข้อมูลที่มีอยู่เพื่อสร้าง Recommendation Engine ด้วย ALS และประเมินประสิทธิภาพของโมเดล

Exercise 1: แนะนำ Million Songs Dataset Exercise 2: ทบทวนความเข้าใจเกี่ยวกับแนวคิด implicit rating Exercise 3: สถิติสรุปของ MSD Exercise 4: สถิติสรุปแบบจัดกลุ่ม Exercise 5: เพิ่มค่าศูนย์Exercise 6: การประเมินโมเดลคะแนนโดยนัย Exercise 7: ระบุ Hyperparameter ของ ALS Exercise 8: สร้างโมเดล implicit Exercise 9: การรัน implicit ALS model แบบ cross-validated Exercise 10: การดึงค่า parameter Exercise 11: ภาพรวมของการให้คะแนนแบบไบนารีและ Implicit Ratings Exercise 12: ประสิทธิภาพของโมเดลแบบ Binary Exercise 13: คำแนะนำจากข้อมูลแบบไบนารี Exercise 14: สรุปเนื้อหาคอร์ส