231分钟
推荐系统：基本原理与实战解析
推荐系统广泛存在于各类网站中，作为一个应用，它能够为用户提供个性化的推荐。它需要一些用户的历史数据，一般由三个部分组成：基础数据、推荐算法系统、前台展示。 本次课程将从推荐系统概述开始，为大家详细讲解…
推荐系统广泛存在于各类网站中，作为一个应用，它能够为用户提供个性化的推荐。它需要一些用户的历史数据，一般由三个部分组成：基础数据、推荐算法系统、前台展示。
本次课程将从推荐系统概述开始，为大家详细讲解推荐系统中的两大核心算法：协同过滤与隐语义模型。后续会使用Surprise库对电影数据集进行建模推荐，通过完整的实战项目内容，帮助学员快速掌握推荐系统中的核心技术，快速应用到实际场景中。实战与理论相结合，充分提升学员人工智能推荐算法能力。
一、推荐系统介绍及其应用
- 1.推荐系统通俗解读
- 2.推荐系统发展简介
- 3.应用领域与多方位评估指标
- 4.任务流程与挑战概述
- 5.常用技术点分析
二、协同过滤与矩阵分解
- 1.协同过滤与矩阵分解简介
- 2.基于用户与商品的协同过滤
- 3.相似度计算与推荐实例
- 4.矩阵分解
- 5.矩阵分解中的隐向量
- 6.目标函数简介
三、隐式情况分析
四、推荐系统常用工具包演示
- 1.环境配置与数据集介绍
- 2.电影数据集预处理分析
- 3.surprise工具包基本使用
- 4.模型测试集结果
- 5.评估指标概述
五、基于知识图谱的电影推荐实战
- 1.知识图谱推荐系统效果演示
- 2.kaggle电影数据集下载与配置
- 3.图谱需求与任务流程解读
- 4.项目所需环境配置安装
- 5.构建用户电影知识图谱
- 6.图谱查询与匹配操作
- 7.相似度计算与推荐引擎构建
六、基于文本数据的推荐实例
- 1.数据与环境配置介绍
- 2.数据科学相关数据介绍
- 3.文本数据预处理
- 4.TFIDF构建特征矩阵
- 5.矩阵分解演示
- 6.LDA主题模型效果演示
- 7.推荐结果分析
七、基于相似度的酒店推荐系统
- 1.数据与任务介绍
- 2.文本词频统计
- 3.ngram结果可视化展示
- 4.文本清洗
- 5.相似度计算
- 6.得出推荐结果
课程资料
唐宇迪
同济大学硕士，华东理工大学博士