推薦引擎是為了解決哪些問題？哪些資料最適合用來建置它們？辨識即使在資料有限時也能提出的有洞見的推薦，並學會如何建立自己的推薦結果。

什麼是推薦引擎？

為推薦引擎辨識合適的資料

隱性資料 vs. 顯性資料

非個人化推薦

非個人化推薦導論

更進一步的非個人化推薦

結合熱門度與評分

非個人化建議

找出所有電影配對

配對次數統計

打造你的第一個電影推薦

Content-Based 推薦入門

為什麼要使用以內容為基礎的模型？

建立以內容為基礎的資料

理解以內容為基礎的資料

製作 content-based 推薦

使用 Jaccard 相似度比較單部電影

一次比較所有電影

根據電影類型做出推薦

以文字為基礎的相似度

建立 TF-IDF 模型

建立 TF-IDF 的 DataFrame

用 TF-IDF 比對所有電影

使用 TF-IDF 製作推薦

使用者檔案式推薦

建立使用者輪廓

依使用者輪廓進行推薦

內容式推薦

透過尋找品味相近的他人，發掘可推薦給使用者的新項目。學習製作以使用者為基礎與以項目為基礎的推薦，以及各自適用的情境。使用 k-nearest neighbors 模型，匯聚群體智慧，預測某人對尚未接觸的項目的評分。

協同過濾

樞紐轉換你的資料

尋找相似的使用者

處理遺漏值的挑戰

補償不完整的資料

尋找相似度

以使用者為基礎到以項目為基礎

相似與相異的電影評分

找到喜好相近的電影

使用 K-nearest neighbors

逐步走過 K-nearest neighbors

整理 KNN 所需的資料

KNN 預測

以物品為基礎或以使用者為基礎

比較以項目為基礎與以使用者為基礎的模型

物件—物件

使用者—使用者

你該選哪一種？

理解真實世界資料集的稀疏性如何影響你的推薦。運用矩陣分解的威力來處理這種稀疏性。探索潛在特徵的價值，並用它們更深入理解你的資料。最後，學會如何驗證你所學到的各種方法，將這些模型實際拿來檢驗。

處理稀疏性

矩陣稀疏度

資料列中的有限評分

矩陣相乘

矩陣分解

辨識潛在特徵

分解中的資訊遺失

奇異值分解（SVD）

正規化你的資料

分解你的矩陣

重新計算矩陣

用 SVD 做推薦

驗證你的預測

計算 RMSE

比較推薦方法

總結

矩陣分解與驗證你的預測

Movies

User ratings

我們已經習慣在網路上獲得個人化體驗——不論是 Netflix 推薦影集，或是電商平台建議你可能會想買的商品。那麼，這些建議是如何產生的？在本課程中，你會學到建立自己推薦引擎所需的一切。透過動手練習，你將掌握兩種最常見的系統：協同過濾與內容式過濾。接著，你會學習如何衡量相似度，例如 Jaccard 距離與餘弦相似度，並以均方根誤差（RMSE）在測試資料上評估推薦品質。完成本課程後，你將打造出自己的電影推薦引擎，並能運用你的 Python 技能在各種產業建立這些系統。

以物品為基礎或以使用者為基礎

Create Your Free Account