Collaborative FilteringRecommender SystemsEvaluationLensKitMatrix FactorizationSummary StatisticsTerm Frequency Inverse Document Frequency (TF-IDF)Microsoft Excel
Специализация Рекомендательные системы
Master recommender systems.. Learn to design, build, and evaluate recommender systems for commerce and content.
14 279 уже зарегистрированы
от партнера
Специализация Рекомендательные системыМиннесотский университетЧему вы научитесь
Build recommendation systems
Implement collaborative filtering
Master spreadsheet based tools
Use project-association recommenders
Приобретаемые навыки
Специализация: общие сведения
Недавно просмотрено: 6 967
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.
Карьерные результаты учащихся
50%
Начали новую карьеру, пройдя этот продукт (Специализация).
33%
Стали больше зарабатывать или получили повышение.
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
Только онлайн-курсы
Начните сейчас и учитесь по собственному графику.
Гибкий график
Установите гибкие сроки сдачи заданий.
Средний уровень
Требуется релевантный опыт.
Ориентировочное время на прохождение: 5 месяцев
Рекомендуемый темп: 3 ч/неделю
Английский
Субтитры: Английский, Арабский, Французский, Португальский (Европа), Итальянский, Вьетнамский, Немецкий, Русский, Испанский
Карьерные результаты учащихся
50%
Начали новую карьеру, пройдя этот продукт (Специализация).
33%
Стали больше зарабатывать или получили повышение.
Сертификат, ссылками на который можно делиться с другими людьми
Получите сертификат по завершении
Только онлайн-курсы
Начните сейчас и учитесь по собственному графику.
Гибкий график
Установите гибкие сроки сдачи заданий.
Средний уровень
Требуется релевантный опыт.
Ориентировочное время на прохождение: 5 месяцев
Рекомендуемый темп: 3 ч/неделю
Английский
Субтитры: Английский, Арабский, Французский, Португальский (Европа), Итальянский, Вьетнамский, Немецкий, Русский, Испанский
О специализации
Пройти курсы
Специализация Coursera — это серия курсов, помогающих в совершенстве овладеть определенным навыком. Можно сразу записаться на специализацию или просмотреть курсы, из которых она состоит и выбрать тот, с которого вы хотите начать. Подписываясь на курс, который входит в специализацию, вы автоматически подписываетесь на всю специализацию. Можно завершить всего один курс, а потом сделать паузу в обучении или в любой момент отменить подписку. Отслеживайте свои курсы и прогресс на панели управления учащегося.
Практический проект
В каждой специализации есть практический проект, который нужно успешно выполнить, чтобы завершить специализацию и получить сертификат. Если для практического проекта в специализации предусмотрен отдельный курс, прежде чем начать его, необходимо завершить все остальные курсы.
Получите сертификат
Когда вы пройдете все курсы и завершите практический проект, вы получите сертификат, которым можно поделиться с потенциальными работодателями и коллегами.
Специализация включает несколько курсов: 5
Introduction to Recommender Systems: Non-Personalized and Content-Based
Оценки: 587
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.
Nearest Neighbor Collaborative Filtering
Оценки: 291
In this course, you will learn the fundamental techniques for making personalized recommendations through nearest-neighbor techniques. First you will learn user-user collaborative filtering, an algorithm that identifies other people with similar tastes to a target user and combines their ratings to make recommendations for that user. You will explore and implement variations of the user-user algorithm, and will explore the benefits and drawbacks of the general approach. Then you will learn the widely-practiced item-item collaborative filtering algorithm, which identifies global product associations from user ratings, but uses these product associations to provide personalized recommendations based on a user's own product ratings.
Recommender Systems: Evaluation and Metrics
Оценки: 214
In this course you will learn how to evaluate recommender systems. You will gain familiarity with several families of metrics, including ones to measure prediction accuracy, rank accuracy, decision-support, and other factors such as diversity, product coverage, and serendipity. You will learn how different metrics relate to different user goals and business goals. You will also learn how to rigorously conduct offline evaluations (i.e., how to prepare and sample data, and how to aggregate results). And you will learn about online (experimental) evaluation. At the completion of this course you will have the tools you need to compare different recommender system alternatives for a wide variety of uses.
Matrix Factorization and Advanced Techniques
Оценки: 176
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.
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.
Часто задаваемые вопросы
Получу ли я зачеты в университете за прохождение специализации?
Can I just enroll in a single course?
Можно ли зарегистрироваться только на один курс?
Can I take the course for free?
Могу ли я пройти курс бесплатно?
Действительно ли это полностью дистанционный курс? Нужно ли мне посещать какие-либо занятия лично?
Сколько времени занимает получение специализации?
Do I need to take the courses in a specific order?
Will I earn university credit for completing the Specialization?
Получу ли я зачеты в университете за прохождение специализации?
What is the honors track?
How does this Specialization relate to the prior Recommender Systems courses?
Остались вопросы? Посетите Центр поддержки учащихся.
