ساخت سیستمهای توصیهگر با PySpark
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
فروشگاههای آنلاین و پلتفرمهای تجارت الکترونیک به سیستمهای توصیهگر برای بهبود تجربه مشتری و افزایش فروش متکی هستند. در این دوره، «ساخت سیستمهای توصیهگر با PySpark»، شما توانایی ایجاد مدلهای توصیهگر مقیاسپذیر و مبتنی بر داده برای پیشبینی خریدهای کاربران را به دست خواهید آورد.
در ابتدا، شما اصول پایهای سیستمهای توصیهگر را از جمله فیلترینگ مشارکتی و روشهای مبتنی بر محتوا بررسی خواهید کرد.
سپس، یاد میگیرید که چگونه مدلهای توصیهگر را با استفاده از PySpark MLlib آموزش داده و بهینهسازی کنید و همچنین پارامترهای ابر را تنظیم کرده و چالشهای دنیای واقعی مانند شروع سرد را مدیریت کنید.
در نهایت، یاد خواهید گرفت که چگونه مدلهای توصیهگر را در حالت دستهای و استریم واقعی با استفاده از Spark Structured Streaming و Kafka پیادهسازی کنید.
زمانی که این دوره را به پایان برسانید، مهارتها و دانش لازم درباره سیستمهای توصیهگر با PySpark را خواهید داشت که برای ارائه تجربیات خرید شخصیسازی شده در مقیاس بزرگ مورد نیاز است.
ساخت سیستمهای توصیهگر با PySpark
-
مرور کلی 1m 29s
-
درک سیستمهای توصیهگر 3m 15s
-
شخصیسازی در برابر مقیاسپذیری 3m 42s
-
دمو: EDA روی دادههای Transaction 3m 36s
-
درک فیلترینگ مشارکتی 1m 49s
-
دمو: آموزش مدل ALS 6m 31s
-
بهینهسازی مدل 3m 26s
-
دمو: بهینهسازی مدل ALS 3m 1s
-
درک فیلترینگ مبتنی بر محتوا 1m 28s
-
دمو: مهندسی ویژگی با TF-IDF 5m 11s
-
دمو: کاهش ابعاد با استفاده از PCA 2m 58s
-
دمو: محاسبه شباهت کسینوسی 4m 51s
-
دمو: بهینهسازی پرسشهای توصیهگر 2m 30s
-
دمو: پیادهسازی توصیهگر در حالت دستهای و واقعی 3m 42s
-
خلاصه دوره 1m 42s
مشخصات آموزش
ساخت سیستمهای توصیهگر با PySpark
- تاریخ به روز رسانی: 1404/06/21
- سطح دوره:متوسط
- تعداد درس:15
- مدت زمان :00:49:20
- حجم :161.0MB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy