MovieLens Verilerini Görüntüleme

Burada verilen ratings veri kümesini tanı. Bu verileri örtük (implicit) mi, yoksa açık (explicit) puanlar olarak mı değerlendirirsin?

Bu egzersiz, kursun bir parçasıdır

PySpark ile Öneri Motorları Oluşturma

Kursa Göz Atın

Egzersiz talimatları

ratings dataframe'inin .columns değerlerine bak.
.show() metodunu kullanarak ratings dataframe'inin ilk birkaç satırını görüntüle.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Look at the column names
print(ratings.____)

# Look at the first few rows of data
print(ratings.____())

Kodu Düzenle ve Çalıştır

Bu egzersiz, kursun bir parçasıdır

PySpark ile Öneri Motorları Oluşturma

AvançadoNível de habilidade

4.9+

Kursa Ücretsiz Başla

Bu bölüm, öneri motorlarının ne kadar güçlü olabileceğini gösterecek ve işbirlikçi filtreleme motorlarıyla içerik tabanlı motorlar arasındaki önemli farkları, ayrıca öneri motorlarının kullanabileceği örtük ve açık veri türlerini açıklayacak. Ayrıca, müşteri veri kümelerinde varlığından bile haberdar olmayabileceğin gizli özellikleri (latent özellikler) ortaya çıkarmanın çok güçlü bir yolunu da öğreneceksin.

Exercise 1: Neden öneri motoru oluşturmayı öğrenmelisin?Exercise 2: Bir öneri motorunun gücünü gör Exercise 3: Öneri motorlarının gücü Exercise 4: Öneri motoru türleri ve veri türleri Exercise 5: Collaborative ve content-based filtering Exercise 6: Birlikte filtreleme vs içerik tabanlı filtreleme II Exercise 7: Örtük ve açık veri Exercise 8: Puan veri türleri Exercise 9: Öneri motorlarının kullanım alanları Exercise 10: Öneri motorlarının alternatif kullanımları.Exercise 11: Gizil özellikleri anladığını doğrula

Bu bölümde matris çarpımı ve matris ayrıştırmasının temel kavramlarını gözden geçirecek, Alternating Least Squares algoritmasının nasıl çalıştığına ve en iyi önerileri döndürmek için hangi argümanlar ve hiperparametreleri kullandığına derinlemesine bakacaksın. Ayrıca Spark'ta verilerini ALS için doğru şekilde hazırlamak adına önemli teknikleri öğreneceksin.

Exercise 1: Matris çarpımına genel bakış Exercise 2: Matris çarpımı Exercise 3: Matris çarpımı bölüm II Exercise 4: Matris ayrıştırmasına genel bakış Exercise 5: Matris çarpanlarına ayırma Exercise 6: Negatif olmayan matris ayrışımı Exercise 7: ALS tahminleri üretmek için nasıl dönüşümlü çalışır Exercise 8: Önerileri tahmin etme Exercise 9: ALS yinelerken RMSE Exercise 10: Spark ALS için veri hazırlığı Exercise 11: Doğru biçim ve tekil kullanıcılar Exercise 12: Filmlere tamsayı kimlikler atama Exercise 13: ALS parametreleri ve hiperparametreleri Exercise 14: Bir ALS modeli oluştur Exercise 15: RMSE değerlendirici oluştur Exercise 16: RMSE'yi Al

Bu bölümde MovieLens veri kümesiyle tanışacaksın. Onun ALS için uygunluğunu nasıl değerlendireceğini görecek, üzerinde tam bir çapraz doğrulamalı ALS modeli kuracak ve performansını nasıl değerlendireceğini öğreneceksin. Bu, PySpark kullanarak oluşturacağın tüm sonraki ALS modelleri için temel olacak.

Exercise 1: MovieLens veri kümesine giriş Exercise 2: MovieLens Verilerini Görüntüleme

Geçerli egzersiz

Exercise 3: Seyrekliği hesapla Exercise 4: GroupBy ve Filter yöntemleri Exercise 5: MovieLens Özet İstatistikleri Exercise 6: Şemayı Görüntüle Exercise 7: MovieLens verisi üzerinde ALS modeli oluşturma Exercise 8: Test/train bölmeleri oluştur ve ALS modelini kur Exercise 9: Spark'a ALS modelini nasıl ayarlayacağını söyle Exercise 10: Çapraz doğrulama hattını oluştur Exercise 11: En İyi Model ve En İyi Model Parametreleri Exercise 12: Model Performans Değerlendirmesi Exercise 13: Tahminler üret ve RMSE hesapla Exercise 14: RMSE'yi yorumlama Exercise 15: Öneriler mantıklı mı

Gerçek hayatın çoğu durumunda, bir ALS modeli oluşturmak için "mükemmel" müşteri verileri elinde olmayabilir. Bu bölüm, müşteri davranış verilerini kullanarak müşteri puanlarını nasıl "tahmin edeceğini" ve bu tahmin edilen puanlarla bir ALS öneri motoru oluşturacağını öğretecek. Million Songs veri kümesini ve MovieLens veri kümesinin başka bir sürümünü kullanarak, bu bölüm elindeki verilerle ALS kullanarak nasıl bir öneri motoru kuracağını ve performansını nasıl değerlendireceğini gösterecek.

Exercise 1: Million Songs Veri Kümesine Giriş Exercise 2: Örtük puanlama kavramlarını anladığını doğrula Exercise 3: MSD özet istatistikleri Exercise 4: Gruplandırılmış özet istatistikler Exercise 5: Sıfırları ekle Exercise 6: Örtük puanlama modellerini değerlendirme Exercise 7: ALS hiperparametrelerini belirt Exercise 8: Örtük modeller oluştur Exercise 9: Çapraz doğrulamalı bir örtük ALS modeli çalıştırma Exercise 10: Parametreleri çıkarma Exercise 11: İkili, örtük puanlamalara genel bakış Exercise 12: İkili model performansı Exercise 13: İkili veriden öneriler Exercise 14: Kurs özeti