مقدمه
با پیدایش کامپیوتر و اینترنت، روشهای برطرف کردن نیازهای روزمره انسانها از جمله ارتباطات ، خرید و فروش و پر کردن اوقات فراغت تغییر یافت و در همین راستا سیستم هایی به وجود آمدند که در مقایسه محصولات و انتخاب گزینه های برتر نقش بسزایی را ایفا کردند. این سیستم ها، سیستم های توصیه گر نامیده می شوند. سیستم های توصیه گر به سه روش اصلی مبتنی بر محتوا، مبتنی بر پالایش مشارکتی و روش های ترکیبی تقسیم می شوند
سرفصل ها
- سیستم های توصیه گر چیست؟
- پیشینه سیستم های توصیه گر
- اهداف و کاربردهای سیستم های توصیه گر
- انواع سیستم های توصیه گر
- معیارهای شباهت
- چالش های سیستم های توصیه گر
- پیاده سازی سیستم توصیه گر فیلم
- تعریف سیستم های توصیه گر مبتنی بر محتوا
- سیستم های توصیه گر مبتنی بر محتوا چگونه کار می کند؟
- مفاهیم مورد استفاده در سیستم های توصیه گر مبتنی بر محتوا
- مثال عملی در مورد استفاده از TF-IDF
- معایب سیستم های توصیه گر مبتنی بر محتوا
- مزایای سیستم های توصیه گر مبتنی بر محتوا
- پیاده سازی سیستم توصیه گر مبتنی بر محتوا
- تعریف سیستم های توصیه گر پالایش مشارکتی
- تقسیم بندی سیستم های توصیه گر پالایش مشارکتی
- انواع روش های Memory Based Collaborative Filtering
- معیارهای شباهت
- ضریب پیرسون (محاسبه ضریب همبستگی بین سن افراد و میزان گلوکز موجود در بدن)
- چالش های سیستم های توصیه گر پالایش مشارکتی
- مزایای سیستم های توصیه گر پالایش مشارکتی
- پیاده سازی Model Based Collaborative Filtering- Movie Recommender System
- تعریف سیستم های توصیه گر هیبرید
- انواع سیستم های توصیه گر هیبرید
- معیارهای شباهت
- پیاده سازی معیارهای شباهت
- تعریف سیستم های توصیه گر دانش محور
- انواع سیستم های توصیه گر دانش محور
- معیارهای ارزیابی سیستم های توصیه گر
- پیاده سازی سیستم توصیه گر فیلم براساس روش دانش محور
پیش نیاز شرکت در دوره چیست؟
- آشنایی با زبان برنامه نویسی پایتون
- آشنایی نسبی با کتابخانه های مورد استفاده برای کار با داده ها (Pandas, NumPy)
- آشنایی نسبی با الگوریتم های یادگیری ماشین و مباحث مقدماتی جبر خطی
ماحصل مشاهده دوره برای شما چه خواهد بود؟
- تسلط به مفاهیم سیستم های توصیه گر
- تسلط به انواع الگوریتم های مورد استفاده در سیستم های توصیه گر
- توانایی پیاده سازی سیستم های توصیه گر بر روی داده های واقعی
دانلود درسنامه ها و فایل های دوره آموزشی طراحی و پیاده سازی سیستم های توصیه گر با پایتون
گام اول: آشنایی با سیستم های توصیه گر ویدئو
21:12
گام دوم: سیستم های توصیه گر مبتنی بر محتوا ویدئو
19:03
گام سوم: سیستم های توصیه گر پالایش مشارکتی ویدئو
19:17
گام چهارم: سیستم های توصیه گر هیبریدی ویدئو
18:53
گام پنجم: سیستم های توصیه گر دانش محور ویدئو
18:18
دانلود فایل های تمرین دوره با پسوند Py
دانلود فایل تمرین دوره، بخش اول تمرین
Movie recommendation system with collaborative filtering
دانلود فایل تمرین دوره، بخش دوم تمرین
Content Based Movie Recommender System
دانلود فایل تمرین دوره، بخش سوم تمرین
Movie Recommender System with Model Based Collaborative Filtering
دانلود فایل تمرین دوره، بخش چهارم تمرین
Implementing similarity measures
دانلود فایل تمرین دوره، بخش پنجم تمرین
Knowledge Based Movie Recommender Systems
دوره های مرتبط
آزمون‌های آماری کلیدی برای یک مهندس یادگیری ماشین
این دوره به معرفی و آموزش آزمون‌های آماری که یک مهندس یادگیری ماشین یا یک دیتاساینتیست به آن احتیاج دارد، می‌پردازد. در این دوره دانشجویان با 5 مدل آزمون آماری آشنا می‌شوند که شامل آزمون‌های نرمالیتی، همبستگی، ایستایی، پارامتری و ناپارامتری می‌باشد. مباحث به زبان ساده و کاربردی بیان شده‌اند و فقط آشنایی مقدماتی با مفاهیم آماری برای درک مباحث این دوره کافی می‌باشد. در این دوره علاوه بر بیان مفاهیم و کاربردهای هر آزمون فرض آماری، تمامی آزمون‌ها در محیط پایتون نیز اجرا می‌شوند.
دوره آموزشی پروژه محور Docker
chat_bubble_outlineنظرات
99,000 تومان
زهره کریمی
ارشد علوم کامپیوتر، دانشگاه خوارزمیکارشناسی ارشد علوم تصمیم و مهندسی دانش زیرمجموعه علوم کامپیوتر و هوش مصنوعی، فعال در حوزه داده کاوی، هوش مصنوعی، سیستم های توصیه گر از سال 96
تنها اشخاصی که این محصول را خریداری کرده اند و وارد سایت شده اند می توانند در مورد این محصول بازبینی ارسال کنند.