This course, which is designed to serve as the first course in the Recommender Systems specialization, introduces the concept of recommender systems, reviews several examples in detail, and leads you through non-personalized recommendation using summary statistics and product associations, basic stereotype-based or demographic recommendations, and content-based filtering recommendations.
Этот курс входит в специализацию ''Специализация Рекомендательные системы'
31 337 уже зарегистрированы
от партнера
Специализация Рекомендательные системыМиннесотский университетОб этом курсе
Недавно просмотрено: 10 675
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 1 из 5 в программе
Средний уровень
Прибл. 23 часа на выполнение
Английский
Субтитры: Арабский, Французский, Португальский (Европа), Итальянский, Вьетнамский, Немецкий, Русский, Английский, Испанский
Приобретаемые навыки
- Summary Statistics
- Term Frequency Inverse Document Frequency (TF-IDF)
- Microsoft Excel
- Recommender Systems
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 1 из 5 в программе
Средний уровень
Прибл. 23 часа на выполнение
Английский
Субтитры: Арабский, Французский, Португальский (Европа), Итальянский, Вьетнамский, Немецкий, 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
1 ч. на завершение
Preface
This brief module introduces the topic of recommender systems (including placing the technology in historical context) and provides an overview of the structure and coverage of the course and specialization.
1 ч. на завершение
2 видео ((всего 41 мин.)), 1 материал для самостоятельного изучения
4 ч. на завершение
Introducing Recommender Systems
This module introduces recommender systems in more depth. It includes a detailed taxonomy of the types of recommender systems, and also includes tours of two systems heavily dependent on recommender technology: MovieLens and Amazon.com. There is an introductory assessment in the final lesson to ensure that you understand the core concepts behind recommendations before we start learning how to compute them.
4 ч. на завершение
9 видео ((всего 147 мин.)), 2 материалов для самостоятельного изучения, 2 тестов
10 ч. на завершение
Non-Personalized and Stereotype-Based Recommenders
In this module, you will learn several techniques for non- and lightly-personalized recommendations, including how to use meaningful summary statistics, how to compute product association recommendations, and how to explore using demographics as a means for light personalization. There is both an assignment (trying out these techniques in a spreadsheet) and a quiz to test your comprehension.
10 ч. на завершение
7 видео ((всего 111 мин.)), 5 материалов для самостоятельного изучения, 9 тестов
3 ч. на завершение
Content-Based Filtering -- Part I
The next topic in this course is content-based filtering, a technique for personalization based on building a profile of personal interests. Divided over two weeks, you will learn and practice the basic techniques for content-based filtering and then explore a variety of advanced interfaces and content-based computational techniques being used in recommender systems.
3 ч. на завершение
8 видео ((всего 156 мин.))
6 ч. на завершение
Content-Based Filtering -- Part II
The assessments for content-based filtering include an assignment where you compute three types of profile and prediction using a spreadsheet and a quiz on the topics covered. The assignment is in three parts -- a written assignment, a video intro, and a "quiz" where you provide answers from your work to be automatically graded.
6 ч. на завершение
2 видео ((всего 26 мин.)), 3 материалов для самостоятельного изучения, 3 тестов
1 ч. на завершение
Course Wrap-up
We close this course with a set of mathematical notation that will be helpful as we move forward into a wider range of recommender systems (in later courses in this specialization).
1 ч. на завершение
2 видео ((всего 45 мин.)), 1 материал для самостоятельного изучения
Рецензии
Лучшие отзывы о курсе INTRODUCTION TO RECOMMENDER SYSTEMS: NON-PERSONALIZED AND CONTENT-BASED
от партнера BS12 февр. 2019 г.
One of the best courses I have taken on Coursera. Choosing Java for the lab exercises makes them inaccessible for many data scientists. Consider providing a Python version.
от партнера DP7 дек. 2017 г.
Nice introduction to recommender systems for those who have never heard about it before. No complex mathematical formula (which can also be seen by some as a downside).
от партнера IP18 сент. 2016 г.
it's a fantastic course that gives you a good idea of what the objectives of recommender systems are and some intuition on the way how it can be accomplished.
от партнера NA6 апр. 2020 г.
The course and its content was quite interesting and easy, so I will be taking the next course in this specialization of Recommender System Specialization
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?
How does this course relate to the prior versions of "Introduction to Recommender Systems"?
Остались вопросы? Посетите Центр поддержки учащихся.
