Об этом курсе
Недавно просмотрено: 19,571

Learner Career Outcomes

60%

начал новую карьеру, пройдя эти курсы

40%

получил значимые преимущества в карьере благодаря этому курсу

12%

стал больше зарабатывать или получил повышение

100% онлайн

Начните сейчас и учитесь по собственному графику.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Промежуточный уровень

Прибл. 16 часа на выполнение

Предполагаемая нагрузка: 4 weeks; an average of 3-7 hours per week, plus 2-5 hours per week for honors track. ...

Английский

Субтитры: Английский

Приобретаемые навыки

Summary StatisticsTerm Frequency Inverse Document Frequency (TF-IDF)Microsoft ExcelRecommender Systems

Learner Career Outcomes

60%

начал новую карьеру, пройдя эти курсы

40%

получил значимые преимущества в карьере благодаря этому курсу

12%

стал больше зарабатывать или получил повышение

100% онлайн

Начните сейчас и учитесь по собственному графику.

Гибкие сроки

Назначьте сроки сдачи в соответствии со своим графиком.

Промежуточный уровень

Прибл. 16 часа на выполнение

Предполагаемая нагрузка: 4 weeks; an average of 3-7 hours per week, plus 2-5 hours per week for honors track. ...

Английский

Субтитры: Английский

Программа курса: что вы изучите

Неделя
1
1 ч. на завершение

Preface

2 видео ((всего 41 мин.)), 1 материал для самостоятельного изучения
2 видео
Intro to Course and Specialization13мин
1 материал для самостоятельного изучения
Notes on Course Design and Relationship to Prior Courses10мин
3 ч. на завершение

Introducing Recommender Systems

9 видео ((всего 147 мин.)), 2 материалов для самостоятельного изучения, 2 тестов
9 видео
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 практического упражнения
Closing Quiz: Introducing Recommender Systems20мин
Honors Track Pre-Quiz2мин
Неделя
2
7 ч. на завершение

Non-Personalized and Stereotype-Based Recommenders

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 материала 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 практического упражнения
Assignment #1: Response #1: Top Movies by Mean Rating10мин
Assignment #1: Response #2: Top Movies by Count10мин
Assignment #1: Response #3: Top Movies by Percent Liking10мин
Assignment #1: Response #4: Association with Toy Story10мин
Assignment #1: Response #5: Correlation with Toy Story10мин
Assignment #1: Response #6: Male-Female Differences in Average Rating10мин
Assignment #1: Response #7: Male-Female differences in Liking8мин
Non-Personalized Recommenders20мин
Неделя
3
3 ч. на завершение

Content-Based Filtering -- Part I

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
Неделя
4
6 ч. на завершение

Content-Based Filtering -- Part II

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 практического упражнения
Assignment #2 Answer Form20мин
Content-Based Filtering20мин
1 ч. на завершение

Course Wrap-up

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
4.5
Рецензии: 93Chevron Right

Лучшие отзывы о курсе Introduction to Recommender Systems: Non-Personalized and Content-Based

автор: BSFeb 13th 2019

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.

автор: IPSep 19th 2016

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.

Преподаватели

Avatar

Joseph A Konstan

Distinguished McKnight Professor and Distinguished University Teaching Professor
Computer Science and Engineering
Avatar

Michael D. Ekstrand

Assistant Professor
Dept. of Computer Science, Boise State University

О 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....

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....
Рекомендательные системы

Часто задаваемые вопросы

  • 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.

  • 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.

  • This specialization is a substantial extension and update of our original introductory course. It involves about 60% new and extended lectures and mostly new assignments and assessments. This course specifically has added material on stereotyped and demographic recommenders and on advanced techniques in content-based recommendation.

Остались вопросы? Посетите Центр поддержки учащихся.