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'
от партнера
Специализация Рекомендательные системыМиннесотский университетОб этом курсе
Недавно просмотрено: 17,832
Карьерные результаты учащихся
60%
начал новую карьеру, пройдя эти курсы
36%
получил значимые преимущества в карьере благодаря этому курсу
11%
стал больше зарабатывать или получил повышение
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
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Средний уровень
Прибл. 23 часа на выполнение
Английский
Субтитры: Арабский, Французский, Португальский (Европа), Китайский (упрощенное письмо), Итальянский, Вьетнамский, Корейский, Немецкий, Русский, Турецкий, Английский, Испанский
Приобретаемые навыки
Summary StatisticsTerm Frequency Inverse Document Frequency (TF-IDF)Microsoft ExcelRecommender Systems
Карьерные результаты учащихся
60%
начал новую карьеру, пройдя эти курсы
36%
получил значимые преимущества в карьере благодаря этому курсу
11%
стал больше зарабатывать или получил повышение
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
Гибкие сроки
Назначьте сроки сдачи в соответствии со своим графиком.
Средний уровень
Прибл. 23 часа на выполнение
Английский
Субтитры: Арабский, Французский, Португальский (Европа), Китайский (упрощенное письмо), Итальянский, Вьетнамский, Корейский, Немецкий, Русский, Турецкий, 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
1 материал для самостоятельного изучения
Notes on Course Design and Relationship to Prior Courses10мин
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
9 видео
Movielens Tour6мин
Preferences and Ratings17мин
Predictions and Recommendations16мин
Taxonomy of Recommenders I27мин
Taxonomy of Recommenders II21мин
Tour of Amazon.com21мин
Recommender Systems: Past, Present and Future16мин
Introducing the Honors Track7мин
Honors: Setting up the development environment10мин
2 материала для самостоятельного изучения
About the Honors Track10мин
Downloads and Resources10мин
2 практических упражнения
Closing Quiz: Introducing Recommender Systems20мин
Honors Track Pre-Quiz30мин
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
7 видео
Summary Statistics I16мин
Summary Statistics II22мин
Demographics and Related Approaches13мин
Product Association Recommenders19мин
Assignment #1 Intro Video14мин
Assignment Intro: Programming Non-Personalized Recommenders17мин
5 материалов для самостоятельного изучения
External Readings on Ranking and Scoring10мин
Assignment 1 Instructions: Non-Personalized and Stereotype-Based Recommenders10мин
Assignment Intro: Programming Non-Personalized Recommenders10мин
LensKit Resources10мин
Rating Data Information10мин
8 практических упражнений
Assignment #1: Response #1: Top Movies by Mean Rating30мин
Assignment #1: Response #2: Top Movies by Count30мин
Assignment #1: Response #3: Top Movies by Percent Liking30мин
Assignment #1: Response #4: Association with Toy Story30мин
Assignment #1: Response #5: Correlation with Toy Story30мин
Assignment #1: Response #6: Male-Female Differences in Average Rating30мин
Assignment #1: Response #7: Male-Female differences in Liking30мин
Non-Personalized Recommenders20мин
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.))
8 видео
TFIDF and Content Filtering24мин
Content-Based Filtering: Deeper Dive26мин
Entree Style Recommenders -- Robin Burke Interview13мин
Case-Based Reasoning -- Interview with Barry Smyth13мин
Dialog-Based Recommenders -- Interview with Pearl Pu21мин
Search, Recommendation, and Target Audiences -- Interview with Sole Pera11мин
Beyond TFIDF -- Interview with Pasquale Lops21мин
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
2 видео
Honors: Intro to programming assignment10мин
3 материала для самостоятельного изучения
Content-Based Recommenders Spreadsheet Assignment (aka Assignment #2)1ч 20мин
Tools for Content-Based Filtering10мин
CBF Programming Intro10мин
2 практических упражнения
Assignment #2 Answer Form20мин
Content-Based Filtering20мин
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
2 видео
Psychology of Preference & Rating -- Interview with Martijn Willemsen31мин
1 материал для самостоятельного изучения
Related Readings10мин
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?
Is financial aid available?
How does this course relate to the prior versions of "Introduction to Recommender Systems"?
Остались вопросы? Посетите Центр поддержки учащихся.
