Live 线上讲座
数据科学读书会 Book 14 – 推荐系统的技术和算法
第五讲
数据应用学院(Data Application Lab)专注于数据科学,人工智能和大数据的职业教育, 每年向全球各地,包括硅谷和华尔街的知名企业输送数百 Data Scientists, 更有大量的 Data Analysts,Business Analysts,Machine Learning Engineers,Software Engineers 以及 Data Engineers。多年的钻研积累和专一打造了独一无二教学方法和求职经验。被多家北美英文科技媒体列为 Top 10 North American Data Bootcamp。学员遍布美国加拿大,还有来自欧洲, 澳洲和亚太等地的慕名者报名参加。
随着网页逐渐成为商业和电子商务交易的重要媒介,推荐系统(Recommender Systems)这个话题变得越来越重要。人们从很早就意识到, 网页的存在为个性化提供了前所未有的机会,特别是,它还提供了方便的数据收集和用户界面,可用于以非侵入性方式推荐项目。
推荐系统的主题非常多样化,因为它能够使用各种类型的用户偏好和用户需求数据进行推荐。推荐系统中最著名的方法包括协同过滤方法、基于内容的方法和基于知识的方法。这三种方法构成了推荐系统研究的基本支柱。
在本系列讲座中,我们将以《Recommender Systems: The Textbook》(Charu Aggarwal)一书为参考展开讲述。该书作者,Charu Aggarwal,是一位著名的IBM 研究员,自网络出现以来,他一直在研究推荐系统。 每章末尾的大量书目笔记和书目中 700 多个参考文献使这本专著成为从业者和研究人员的绝佳资源。
在整体7次的直播课上,你将会学到推荐系统介绍、基于区域和基于模型的协同过滤、基于内容和基于知识的推荐、以及基于集成/混合的推荐,和推荐评估等等。
第1讲:推荐系统介绍
什么是推荐系统
使用推荐系统的目的
推荐系统的基础模型
特定领域中面临的挑战
进阶主题和应用
第2讲:基于区域的协同过滤
什么是基于区域的协同过滤
评级矩阵的关键属性
基于区域的方法
区域方法的回归建模和绘图模型
第3讲:基于模型的协同过滤
什么是基于模型的协同过滤
决策树和回归树
几种常见的协同过滤方法
潜在因素模型
整合因式分解和区域模型
第4讲:基于内容的推荐
什么是基于内容的推荐
基于内容的系统的基本组成部分
预处理和特征提取
基于内容的推荐和协作
第5讲:基于知识的推荐
什么是基于知识的推荐
基于约束的推荐系统
基于案例的推荐
基于知识的系统的持久个性化
第6讲:基于集成/混合的推荐
什么是基于集成/混合的推荐
从分类的角度看集成方法
不同混合推荐的方法
第7讲:推荐的评估
什么是推荐系统的评估
评估范例和评估设计的目标
离线推荐系统评估中的设计问题
评估措施的局限性
【所有成功注册并全程出席的同学将获得特别礼品】
获得资格加入北美求职互助群
获得数据应用学院奖学金积分50美金
可以领取数据应用学院的数据科学家课程优惠券
2021年9月25日 “商业分析师求职训练营” 开营啦!https://www.dataapplab.com/ba/
数据应用学院 — 北美留学生求职的最佳路径 www.dataapplab.com