使用机器学习和 AI 构建推荐系统
如何使用深度学习、协同过滤和 Python 创建机器学习推荐系统
讲师：Frank Kane
口袋资源独家Udemy付费课程，独家中英文字幕，配套资料齐全！
用不到1/10的价格，即可享受同样的高品质课程，且可以完全拥有，随时随地都可以任意观看和分享。
你将会学到的
- 理解并应用基于用户和基于项目的协同过滤来向用户推荐项目
- 使用大规模深度学习创建推荐
- 使用神经网络和受限玻尔兹曼机 (RBM) 构建推荐引擎
- 使用循环神经网络和门控循环单元 (GRU) 提出基于会话的建议
- 使用 Python 构建用于测试和评估推荐算法的框架
- 应用推荐系统成功的正确衡量标准
- 使用 SVD 和 SVD++ 等矩阵分解方法构建推荐系统
- 将 Netflix 和 YouTube 的真实经验应用到您自己的推荐项目中
- 在混合和集成方法中将许多推荐算法组合在一起
- 使用 Apache Spark 在集群上大规模计算推荐
- 使用 K-Nearest-Neighbors 向用户推荐商品
- 通过基于内容的推荐解决“冷启动”问题
- 了解大型推荐系统常见问题的解决方案
要求
- 具有至少 3GB 可用磁盘空间的 Windows、Mac 或 Linux PC。
- 一些编程或脚本语言的经验（最好是 Python）
- 一些计算机科学背景，以及理解新算法的能力。
说明
使用 Tensorflow 推荐器 (TFRS) 和生成对抗网络进行推荐 (GAN)
向亚马逊在该领域的一位先驱学习如何构建机器学习推荐系统。Frank Kane 在亚马逊工作了九年多，在那里他管理并领导了亚马逊许多个性化产品推荐系统的开发。
您在 Netflix 的主页、YouTube 和亚马逊上随处可见自动推荐，因为这些机器学习算法会了解您的独特兴趣，并为您个人展示最佳产品或内容。这些技术已成为最大、最负盛名的技术雇主的核心，通过了解它们的工作原理，你将对他们变得非常有价值。
我们将介绍基于邻域协同过滤的久经考验的真实推荐算法，并逐步发展到更现代的技术，包括矩阵分解，甚至使用人工神经网络进行深度学习。在此过程中，您将从 Frank 丰富的行业经验中学习，以了解在大规模应用这些算法和处理真实数据时会遇到的实际挑战。
推荐系统很复杂；不要期望学习编码类型的格式来参加本课程。没有关于如何制作推荐系统的秘诀；您需要了解不同的算法以及如何选择何时在给定情况下应用每种算法。我们假设您已经知道如何编码。
但是，这门课程非常实用；您将开发自己的框架来评估和组合许多不同的推荐算法，您甚至可以使用Tensorflow构建自己的神经网络，以根据真实人物的真实电影评分生成推荐。我们将介绍：
- 构建推荐引擎
- 评估推荐系统
- 使用项目属性的基于内容的过滤
- 具有基于用户、基于项目和 KNN CF 的基于邻域的协同过滤
- 基于模型的方法，包括矩阵分解和SVD
- 将深度学习、人工智能和人工神经网络应用于推荐
- 使用来自 Tensorflow ( TFRS ) 和Amazon Personalize的最新框架。
- 使用递归神经网络的基于会话的推荐
- 使用Apache Spark机器学习、Amazon DSSTNE深度学习和带有分解机器的AWS SageMaker扩展到海量数据集
- 推荐系统的现实挑战和解决方案
- YouTube和 Netflix的案例研究
- 构建混合的集成推荐器
- 涵盖推荐系统领域最新研究的“前沿警报”
这门综合课程将带您从早期的协同过滤到深度神经网络的前沿应用和现代机器学习技术，为每个用户推荐最好的商品。
本课程中的编码练习使用Python编程语言。如果您是 Python 新手，我们会提供 Python 简介，但您需要具备一定的编程经验才能成功使用本课程。如果您是人工智能领域的新手，我们还会简要介绍深度学习，但您需要能够理解新的计算机算法。
包括高质量、手工编辑的英文隐藏式字幕，以帮助您跟进。
我希望很快能在课程中见到你！
此课程面向哪些人：
- 有兴趣将机器学习和深度学习应用于产品或内容推荐的软件开发人员
- 在大型电子商务或网络公司工作或有兴趣在大型电子商务或网络公司工作的工程师
- 对最新推荐系统理论和研究感兴趣的计算机科学家
