or
Bu egzersiz, kursun bir parçasıdır
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.
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.
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.
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.
Geçerli egzersiz