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'
14 010 уже зарегистрированы
от партнера
Специализация Рекомендательные системыМиннесотский университетОб этом курсе
Недавно просмотрено: 3 828
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
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
Прибл. 16 часов на выполнение
Английский
Субтитры: Французский, Португальский (Европа), Русский, Английский, Испанский
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
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
Прибл. 16 часов на выполнение
Английский
Субтитры: Французский, Португальский (Европа), Русский, Английский, Испанский
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 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
6 ч. на завершение
Matrix Factorization (Part 2)
6 ч. на завершение
2 видео ((всего 15 мин.)), 2 материалов для самостоятельного изучения, 6 тестов
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.))
Рецензии
- 5 stars53,29 %
- 4 stars33,51 %
- 3 stars7,69 %
- 2 stars4,39 %
- 1 star1,09 %
Лучшие отзывы о курсе MATRIX FACTORIZATION AND ADVANCED TECHNIQUES
от партнера SK4 дек. 2017 г.
Awesome course especially for those doing Ph.D in recommender systems
от партнера AA13 авг. 2017 г.
Interview with Francesco Ricci is very knowledgeable about context aware Recommender System.
от партнера SL11 сент. 2019 г.
It will be great, if we can do honor's track with Python or R
от партнера DD9 янв. 2021 г.
Very good. Per closing comments, it probably needs an update (since 2016) as this is active, progressive area.
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.
Часто задаваемые вопросы
Когда я получу доступ к лекциям и заданиям?
Что я получу, оформив подписку на специализацию?
Можно ли получить финансовую помощь?
Остались вопросы? Посетите Центр поддержки учащихся.
