Master recommender systems.. Learn to design, build, and evaluate recommender systems for commerce and content.

4.4

звезд

Оценки: 658

Joseph A Konstan и еще 1 преподаватель

15 956 уже зарегистрированы

от партнера

Специализация Рекомендательные системыМиннесотский университет

Чему вы научитесь

Build recommendation systems

Implement collaborative filtering

Master spreadsheet based tools

Use project-association recommenders

Приобретаемые навыки

Collaborative Filtering
Recommender Systems
Evaluation
LensKit
Matrix Factorization
Summary Statistics
Term Frequency Inverse Document Frequency (TF-IDF)
Microsoft Excel

Специализация: общие сведения

Недавно просмотрено: 6 033

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.

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

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

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

Курс1

Курс 1

Introduction to Recommender Systems: Non-Personalized and Content-Based

4.5

звезд

Оценки: 607

•

Рецензии: 128

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.

After completing this course, you will be able to compute a variety of recommendations from datasets using basic spreadsheet tools, and if you complete the honors track you will also have programmed these recommendations using the open source LensKit recommender toolkit. In addition to detailed lectures and interactive exercises, this course features interviews with several leaders in research and practice on advanced topics and current directions in recommender systems.

Курс2

Курс 2

Nearest Neighbor Collaborative Filtering

4.3

звезд

Оценки: 296

•

Рецензии: 67

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.

Курс3

Курс 3

Recommender Systems: Evaluation and Metrics

4.4

звезд

Оценки: 220

•

Рецензии: 31

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.

Курс4

Курс 4

Matrix Factorization and Advanced Techniques

4.3

звезд

Оценки: 180

•

Рецензии: 26

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.

Преподаватели

Joseph A Konstan

Distinguished McKnight Professor and Distinguished University Teaching Professor

Computer Science and Engineering

178 848 учащихся

11 курсов

Michael D. Ekstrand

Assistant Professor

Dept. of Computer Science, Boise State University

102 460 учащихся

6 курсов

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

Какие правила возврата средств?
Когда вы оформите подписку, начнется семидневный бесплатный пробный период, в течение которого подписку можно отменить без штрафа. По истечении этого срока вы не сможете вернуть средства, но сможете отменить подписку в любой момент. Ознакомьтесь с нашей политикой возврата средств.
Можно ли зарегистрироваться только на один курс?
Да! Чтобы начать, нажмите карточку интересующего вас курса и зарегистрируйтесь. Зарегистрировавшись, вы можете пройти курс и получить сертификат, ссылкой на который можно делиться с другими людьми. Просто ознакомиться с содержанием курса можно бесплатно. При подписке на курс, входящий в специализацию, вы автоматически подписываетесь на всю специализацию. Ход учебы можно отслеживать в панели управления учащегося.
Можно ли получить финансовую помощь?
Да. В некоторых программах обучения вы можете подать заявку на получение финансовой помощи или стипендии, если не можете оплатить регистрационный взнос. Если для выбранной вами программы предлагается такая возможность, вы увидите ссылку для подачи заявки на странице описания.
Могу ли я пройти курс бесплатно?
Когда вы регистрируетесь на курс, то можете получить доступ ко всем курсам в специализации. Кроме того, вы получаете сертификат о прохождении курса.Просто ознакомиться с содержанием курса можно бесплатно. Если стоимость обучения для вас слишком велика, вы можете подать заявку на финансовую помощь.
Действительно ли это полностью дистанционный курс? Нужно ли мне посещать какие-либо занятия лично?
Это полностью дистанционный курс, потому вам не нужно ничего посещать. Все лекции, материалы для самостоятельного изучения и задания доступны всегда и везде по Интернету и с мобильных устройств.
Сколько времени занимает получение специализации?
Most learners should be able to complete the specialization in 20-26 weeks.
What background knowledge is necessary?
Basic statistics or college algebra, and an ability to work with spreadsheets. For the honors track, you should also be comfortable implementing software in Java.
Do I need to take the courses in a specific order?
While each component can be useful by itself, the courses do build on each other and should be taken in order.
Получу ли я зачеты в университете за прохождение специализации?
The University of Minnesota does not offer credit for completing this specialization. If you are enrolled elsewhere, you may wish to speak with your advisor or program staff to find out whether this specialization could be used for independent study credit.
What will I be able to do upon completing the Specialization?
You will understand and be able to apply the major families of recommender algorithms: non-personalized, product association, content-based, nearest-neighbor, and matrix factorization. You will know and be able to apply a variety of recommender metrics, and will be able to use this knowledge to match the correct recommender system to appplications.
What is the honors track?
The honors track is an optional track where learners add programming recommenders in the open source LensKit toolkit. You should be comfortable with basic data structures, algorithms, and Java to attempt the honors track.
How does this Specialization relate to the prior Recommender Systems courses?
This specialization is an extended and updated version of the two prior versions of Introduction to Recommender Systems that we've offered through Coursera. About 50% of the video and 80% of the assessment material are new, and there is an honors track with programming assignments (which existed in the first version of the course only, and have been re-done for this specialization). The Capstone is entirely new.

Остались вопросы? Посетите Центр поддержки учащихся.