ساخت موتور توصیه‌گر با یادگیری ماشین و RAG

آنچه یاد خواهید گرفت:

• اصول اولیه موتورهای توصیه‌گر را از جمله آشنایی با موارد استفاده، محدودیت‌های فنی و پیاده‌سازی RAG در سیستم‌های توصیه‌گر بیاموزید.
• یاد بگیرید چگونه یک موتور توصیه‌گر محصول با استفاده از TensorFlow و Keras بسازید.
• یاد بگیرید چگونه یک موتور توصیه‌گر فیلم با استفاده از Surprise بسازید.
• یاد بگیرید چگونه یک موتور توصیه‌گر موسیقی با استفاده از تولید تقویت‌شده با بازیابی (retrieval augmented generation) بسازید.
• یاد بگیرید چگونه یک موتور توصیه‌گر محصول با استفاده از TFIDF Vectorizer و Cosine Similarity بسازید.
• یاد بگیرید چگونه یک موتور توصیه‌گر مبتنی بر جستجو با استفاده از RAG بسازید.
• چگونگی کار موتورهایتوصیه‌گر را بیاموزید. این بخش شامل جمع‌آوری داده‌، پیش‌پردازش، انتخاب ویژگی، آموزش مدل، ارزیابی مدل و استقرار است.
• یاد بگیرید چگونه برای موتور توصیه‌گر محصول، انتخاب ویژگی انجام دهید.
• یاد بگیرید چگونه برای موتور توصیه‌گر فیلم، انتخاب ویژگی انجام دهید.
• یاد بگیرید چگونه یک مدل فیلترگذاری مشارکتی بسازید و آموزش دهید.
• یاد بگیرید چگونه یک مدل RAG را بارگیری کرده و یک شاخص جستجوی شباهت هوش مصنوعی فیسبوک (Facebook AI Similarity Search) ایجاد کنید.
• یاد بگیرید چگونه یک رابط کاربری برای موتور توصیه‌گر با استفاده از Gradio و Streamlit بسازید.
• یاد بگیرید چگونه یک موتور توصیه‌گر را روی Hugging Face تست و مستقر کنید.
• یاد بگیرید چگونه مجموعه داده را با استفاده از Kaggle Hub API دانلود کنید.

پیش نیازهای دوره

• بدون نیاز به تجربه قبلی در یادگیری ماشین
• دانش اولیه در پایتون مورد نیاز است.

توضیحات دوره

به دوره "ساخت موتور توصیه‌گر با یادگیری ماشین و RAG" خوش آمدید. این یک دوره جامع مبتنی بر پروژه است که در آن یاد خواهید گرفت چگونه سیستم‌های توصیه‌گر هوشمند را با استفاده از TensorFlow ،Surprise و تولید تقویت‌شده با بازیابی (Retrieval Augmented Generation) بسازید.

این دوره ترکیبی بی‌نظیر از پایتون و یادگیری ماشین است و فرصتی ایده‌آل برای ارتقای مهارت‌های برنامه‌نویسی و بهبود دانش فنی شما در توسعه نرم‌افزار محسوب می‌شود. در جلسه مقدماتی، اصول اولیه موتورهایتوصیه‌گر را از جمله آشنایی با موارد استفاده، محدودیت‌های فنی خواهید آموخت، و همچنین یاد خواهید گرفت که چگونه می‌توان از تولید تقویت‌شده با بازیابی برای بهبود سیستم توصیه‌گر خود استفاده کنید. سپس، در بخش بعدی، گام به گام خواهید آموخت که یک موتور توصیه‌گر چگونه کار می‌کند. این بخش شامل جمع‌آوری داده‌ها، پیش‌پردازش داده‌ها، انتخاب ویژگی، انتخاب مدل، آموزش مدل، ارزیابی مدل، استقرار، نظارت و نگهداری است. پس از آن، همچنین یاد خواهید گرفت که چگونه مجموعه داده‌ را از Kaggle پیدا و دانلود کنید. Kaggle پلتفرمی است که مجموعه‌های داده با کیفیت بالا از صنایع مختلف را ارائه می‌دهد. پس از آماده شدن همه چیز، پروژه را آغاز خواهیم کرد. در ابتدا، یک موتور توصیه‌گر محصول با استفاده از TensorFlow خواهیم ساخت که قابلیت توصیه محصولات مرتبط به کاربران بر اساس تاریخچه مرور و خرید آنها را خواهد داشت. این موتور توصیه‌گر قادر خواهد بود رفتار کاربر را تحلیل کند، الگوهای معنادار را استخراج کرده و توصیه‌های محصول شخصی‌سازی شده را در زمان واقعی تولید کند. با پیاده‌سازی این سیستم، کسب‌وکارها می‌توانند تعامل مشتری را افزایش دهند، نرخ تبدیل را بالا ببرند و تجربه خرید را از طریق توصیه‌های هوشمند بهینه کنند.

در بخش بعدی، یک موتور توصیه‌گر فیلم با استفاده از Surprise خواهیم ساخت که به کاربران کمک می‌کند فیلم‌هایی را که ممکن است از آن‌ها لذت ببرند، بر اساس امتیازات و ترجیحات گذشته خود کشف کنند. این موتور توصیه‌گر از تکنیک‌های فیلترگذاری مشارکتی برای یافتن شباهت بین کاربران و فیلم‌ها استفاده می‌کند و توصیه‌های بسیار شخصی‌سازی شده ارائه می‌دهد. با این رویکرد، می‌توانیم کشف محتوا را بهبود بخشیم، با کاربران تعامل برقرار کنیم و نرخ حفظ کاربر را برای پلتفرم‌های پخش جریانی افزایش دهیم. پس از آن، یک موتور توصیه‌گر موسیقی با استفاده از تولید تقویت‌شده با بازیابی خواهیم ساخت که قادر به ارائه توصیه‌های آهنگ پویا و آگاه به متن است. این موتور توصیه‌گر می‌تواند با ادغام دانش خارجی در زمان واقعی، متدهای توصیه سنتی را بهبود بخشیده و دقت و تنوع توصیه‌های آهنگ را بهبود دهد. در نهایت، در پایان دوره، برای ارزیابی عملکرد موتورهای توصیه‌گر خود، تست‌هایی را انجام خواهیم داد. پس از اطمینان از عملکرد بهینه مدل، سیستم توصیه‌گر را در Hugging Face Space مستقر خواهیم کرد، جایی که کاربران می‌توانند چند فیلم اولیه را به عنوان ورودی انتخاب کنند و به مدل اجازه دهند داده‌ زمان واقعی را پردازش کرده و بر اساس الگوها و شباهت‌های آموخته شده، توصیه‌های شخصی‌سازی شده تولید کند.

پیش از ورود به دوره، باید این سوال را از خود بپرسیم: چرا باید یک موتور توصیه‌گر با استفاده از یادگیری ماشین بسازیم؟ خب، پاسخ مدرس این است: با استفاده از یادگیری ماشین، کسب‌وکارها می‌توانند توصیه‌های هوشمندتر و شخصی‌سازی‌شده‌تری ارائه دهند که با مشتریان تعامل برقرار کند، فروش را افزایش می‌دهد و وفاداری را بهبود می‌بخشد. در همین حال، از دیدگاه کاربران، آن‌ها می‌توانند از یک تجربه یکپارچه بهره‌مند شوند، جایی که توصیه‌های ارزشمند را بدون زحمت دریافت می‌کنند و در وقت و تلاش برای یافتن آنچه متناسب با نیازهای آنها است، صرفه‌جویی می‌کنند.

این دوره برای چه کسانی مناسب است؟

• مهندسان نرم‌افزاری که علاقه‌مند به ساخت موتور توصیه‌گر با استفاده از یادگیری ماشین هستند.
• دانشمندان داده‌ای که علاقه‌مند به تبدیل داده‌ مشتری به توصیخ‌های محصول مرتبط هستند.