توضیحات

آموزش ساخت سیستم های توصیه گر با هوش مصنوعی و یادگیری ماشین

نام دوره : Building Recommender Systems with Machine Learning and AI

پیش نیاز:

• رایانه شخصی ویندوز، مک یا لینوکس با حداقل 3 گیگابایت فضای دیسک آزاد.
• مقداری تجربه با یک زبان برنامه نویسی(ترجیحا پایتون)
• برخی از پیشینه علوم کامپیوتر و توانایی درک الگوریتم های جدید.

توضیحات:

به روز شده با فیلترهای مشارکتی عصبی (NCF)، توصیه‌کننده‌های تنسورفلو (TFRS) و شبکه‌های متخاصم مولد برای توصیه‌ها (GAN)

نحوه ساخت سیستم های توصیه یادگیری ماشین را از یکی از پیشگامان آمازون در این زمینه بیاموزید.

توصیه‌های خودکار را همه جا دیده‌اید – در صفحه اصلی Netflix، در YouTube، و در آمازون زیرا این الگوریتم‌های یادگیری ماشینی در مورد علایق منحصر به فرد شما یاد می‌گیرند و بهترین محصولات یا محتوا را برای شما به عنوان یک فرد نشان می‌دهند.

این فناوری‌ها برای بزرگترین و معتبرترین کارفرمایان فناوری تبدیل شده‌اند، و با درک نحوه کار آنها، برای آنها بسیار ارزشمند خواهید بود.

ما الگوریتم‌های توصیه‌شده آزمایش شده و واقعی را بر اساس فیلترهای مشارکتی مبتنی بر همسایگی پوشش خواهیم داد و به تکنیک‌های مدرن‌تر از جمله فاکتورسازی ماتریس و حتی یادگیری عمیق با شبکه‌های عصبی مصنوعی می‌رسیم.

در طول مسیر، از تجربه گسترده فرانک در صنعت فرا خواهید گرفت تا چالش‌های دنیای واقعی را که هنگام استفاده از این الگوریتم‌ها در مقیاس بزرگ و با داده‌های دنیای واقعی با آن‌ها مواجه می‌شوید، درک کنید.

سیستم های توصیه گر پیچیده هستند.

در این دوره ثبت نام نکنید و انتظار داشته باشید که یک نوع فرمت کدگذاری را داشته باشید. هیچ دستور العملی در مورد نحوه ایجاد یک سیستم توصیه گر وجود ندارد.

شما باید الگوریتم های مختلف و نحوه انتخاب زمان استفاده از هر کدام را برای یک موقعیت خاص درک کنید. ما فرض می کنیم که شما از قبل نحوه کدنویسی را می دانید.

با این حال، این دوره بسیار عملی است.

شما چارچوب خود را برای ارزیابی و ترکیب بسیاری از الگوریتم‌های پیشنهادی مختلف با هم ایجاد خواهید کرد، و حتی شبکه‌های عصبی خود را با استفاده از Tensorflow برای ایجاد توصیه‌هایی از رتبه‌بندی فیلم‌های واقعی از افراد واقعی ایجاد خواهید کرد.

در آموزش ساخت سیستم های توصیه گر با هوش مصنوعی و یادگیری ماشین پوشش خواهیم داد:

• ساخت موتور توصیه
• ارزیابی سیستم های توصیه گر
• فیلتر مبتنی بر محتوا با استفاده از ویژگی های آیتم
• فیلتر مشارکتی مبتنی بر همسایگی با کاربر محور، مبتنی بر آیتم و KNN CF
• روش های مبتنی بر مدل از جمله فاکتورسازی ماتریس و SVD
• استفاده از یادگیری عمیق، هوش مصنوعی و شبکه های عصبی مصنوعی برای توصیه ها
• با استفاده از آخرین فریم ورک های Tensorflow (TFRS) و Amazon Personalize.
• توصیه‌های مبتنی بر جلسه با شبکه‌های عصبی بازگشتی
• ایجاد توصیه‌کننده‌های مدرن با فیلتر مشارکتی عصبی
• مقیاس‌گذاری به مجموعه داده‌های عظیم با یادگیری ماشینی Apache Spark، یادگیری عمیق Amazon DSSTNE و AWS SageMaker با ماشین‌های فاکتورسازی
• چالش ها و راه حل های دنیای واقعی با سیستم های توصیه گر
• مطالعات موردی از YouTube و Netflix
• ساخت ترکیبی، توصیه کنندگان گروه

تمرین های کدنویسی در این دوره از زبان برنامه نویسی پایتون استفاده می کنند.

اگر در پایتون تازه کار هستید، مقدمه‌ای برای پایتون ارائه می‌کنیم، اما برای استفاده موفقیت‌آمیز از این دوره، به تجربه برنامه‌نویسی قبلی نیاز دارید.

اگر در زمینه هوش مصنوعی تازه کار هستید، اما باید بتوانید الگوریتم های رایانه ای جدید را درک کنید، ما همچنین مقدمه ای کوتاه برای یادگیری عمیق ارائه می دهیم.

دوره آموزش ساخت سیستم های توصیه گر با هوش مصنوعی و یادگیری ماشین برای چه کسانی است:

• توسعه دهندگان نرم افزار علاقه مند به استفاده از یادگیری ماشینی و یادگیری عمیق در توصیه های محصول یا محتوا هستند
• مهندسانی که در شرکت های بزرگ تجارت الکترونیک یا وب کار می کنند یا علاقه مند به کار در آنها هستند
• دانشمندان کامپیوتر علاقه مند به جدیدترین نظریه و تحقیقات سیستم توصیه گر

بخشی از دوره :