協同過濾的核心假設是：過去對項目評分相近的使用者，品味也相近，因此在未來對新項目的評分也可能相似。
已載入電影資料集的一個子集為 user_ratings_subset。 這個 DataFrame 以每一列代表一位使用者、每一欄代表一部電影，儲存了使用者的評分。
user_ratings_subset
檢視 user_ratings_subset。哪一位使用者最接近 User A？
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
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。
了解如何利用項目的屬性來產生推薦。善用類別型與文字資料，建立有價值的項目比較。根據使用者過去偏好生成使用者輪廓，進而推薦新項目。
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。
當前練習
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。
