In this course you will learn a variety of matrix factorization and hybrid machine learning techniques for recommender systems. Starting with basic matrix factorization, you will understand both the intuition and the practical details of building recommender systems based on reducing the dimensionality of the user-product preference space. Then you will learn about techniques that combine the strengths of different algorithms into powerful hybrid recommenders.
Этот курс входит в специализацию ''Специализация Рекомендательные системы'
Matrix Factorization and Advanced Techniques
от партнера
Об этом курсе
Недавно просмотрено: 6,859
Карьерные результаты учащихся
50%
получил значимые преимущества в карьере благодаря этому курсу
Карьерные результаты учащихся
50%
получил значимые преимущества в карьере благодаря этому курсу
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
100% онлайн
Начните сейчас и учитесь по собственному графику.
Курс 4 из 5 в программе
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Прибл. 8 часа на выполнение
Предполагаемая нагрузка: 11 hours/week
Английский
Субтитры: Английский
от партнера
Миннесотский университет
The University of Minnesota is among the largest public research universities in the country, offering undergraduate, graduate, and professional students a multitude of opportunities for study and research. Located at the heart of one of the nation’s most vibrant, diverse metropolitan communities, students on the campuses in Minneapolis and St. Paul benefit from extensive partnerships with world-renowned health centers, international corporations, government agencies, and arts, nonprofit, and public service organizations.
Программа курса: что вы изучите
4 минуты на завершение
Preface
4 минуты на завершение
1 видео ((всего 4 мин.))
1 видео
1 ч. на завершение
Matrix Factorization (Part 1)
This is a two-part, two-week module on matrix factorization recommender techniques. It includes an assignment and quiz (both due in the second week), and an honors assignment (also due in the second week). Please pace yourself carefully -- it will be difficult to finish in two weeks unless you start the assignments during the first week.
1 ч. на завершение
5 видео ((всего 70 мин.)), 1 материал для самостоятельного изучения
5 видео
Singular Value Decomposition17мин
Gradient Descent Techniques17мин
Deriving FunkSVD11мин
Probabilistic Matrix Factorization10мин
1 материал для самостоятельного изучения
On Folding-In with Gradient Descent10мин
4 ч. на завершение
Matrix Factorization (Part 2)
4 ч. на завершение
2 видео ((всего 15 мин.)), 2 материалов для самостоятельного изучения, 6 тестов
2 материала для самостоятельного изучения
Assignment Instructions10мин
Intro - Programming Matrix Factorization10мин
5 практического упражнения
Matrix Factorization Assignment Part l10мин
Matrix Factorization Assignment Part ll10мин
Matrix Factorization Assignment Part lll10мин
Matrix Factorization Quiz8мин
SVD Programming Eval Quiz6мин
2 ч. на завершение
Hybrid Recommenders
This is a three-part, two-week module on hybrid and machine learning recommendaton algorithms and advanced recommender techniques. It includes a quiz (due in the second week), and an honors assignment (also due in the second week). Please pace yourself carefully -- it will be difficult to finish the honors track in two weeks unless you start the assignments during the first week.
2 ч. на завершение
6 видео ((всего 96 мин.))
6 видео
Hybrids with Robin Burke16мин
Hybridization through Matrix Factorization15мин
Matrix Factorization Hybrids with George Karypis17мин
Interview with Arindam Banerjee15мин
Interview with Yehuda Koren22мин
Рецензии
4.3
Лучшие отзывы о курсе MATRIX FACTORIZATION AND ADVANCED TECHNIQUES
от партнера AGJun 9, 2018
Programming Assignments are not clear enough and the quiz for the last one seems to be a bit off.
от партнера LLJul 18, 2017
great courses! They invite a lot of interviews to let me understand the sea of recommend system!
от партнера AAAug 13, 2017
Interview with Francesco Ricci\n\nis very knowledgeable about context aware Recommender System.
от партнера SKDec 4, 2017
Awesome course especially for those doing Ph.D in recommender systems
от партнера SLSep 11, 2019
It will be great, if we can do honor's track with Python or R
Специализация Рекомендательные системы: общие сведения
A Recommender System is a process that seeks to predict user preferences. This Specialization covers all the fundamental techniques in recommender systems, from non-personalized and project-association recommenders through content-based and collaborative filtering techniques, as well as advanced topics like matrix factorization, hybrid machine learning methods for recommender systems, and dimension reduction techniques for the user-product preference space.
This Specialization is designed to serve both the data mining expert who would want to implement techniques like collaborative filtering in their job, as well as the data literate marketing professional, who would want to gain more familiarity with these topics.
The courses offer interactive, spreadsheet-based exercises to master different algorithms, along with an honors track where you can go into greater depth using the LensKit open source toolkit.
By the end of this Specialization, you’ll be able to implement as well as evaluate recommender systems. The Capstone Project brings together the course material with a realistic recommender design and analysis project.
Часто задаваемые вопросы
Когда я получу доступ к лекциям и заданиям?
Зарегистрировавшись на сертификацию, вы получите доступ ко всем видео, тестам и заданиям по программированию (если они предусмотрены). Задания по взаимной оценке сокурсниками можно сдавать и проверять только после начала сессии. Если вы проходите курс без оплаты, некоторые задания могут быть недоступны.
Что я получу, оформив подписку на специализацию?
Записавшись на курс, вы получите доступ ко всем курсам в специализации, а также возможность получить сертификат о его прохождении. После успешного прохождения курса на странице ваших достижений появится электронный сертификат. Оттуда его можно распечатать или прикрепить к профилю LinkedIn. Просто ознакомиться с содержанием курса можно бесплатно.
Какие правила возврата средств?
Можно ли получить финансовую помощь?
Остались вопросы? Посетите Центр поддержки учащихся.