قراره تو این دوره چی یاد بگیرم؟

  • مفاهیم اولیه سیستم های توصیه گر و الگوریتم های متفاوت آن را درک می کنید.
  • الگوریتم Collaborative Filtering را به صورت ویژه می آموزید.
  • یک سیستم توصیه گر فیلم را پیاده سازی می کنید.

سرفصل های دوره

۱ فصل
۱۶ جلسه
۲ ساعت
۱

لیست ویدئوهای دوره

۱۶ قسمت
۰۲:۲۴:۳۸
1

مقدمه و معرفی آموزش

پخش
۰۹:۴۹
2

فصل اول - قسمت اول - رابطه ی بین کاربر ها و محصولات

پخش
۰۷:۵۴
3

فصل اول - قسمت دوم - انواع الگوریتم های سیستم های توصیه گر

پخش
۱۰:۲۱
4

فصل اول - قسمت سوم - content based filtering

۰۸:۱۹
5

فصل اول - قسمت چهارم - collaborative filtering

۰۶:۰۰
6

بخش اول - قسمت پنجم - association rules learning

۰۶:۱۴
7

بخش اول - قسمت ششم - مقایسه الگوریتم های سیستم های توصیه گر

۰۸:۵۹
8

بخش دوم - قسمت اول - کلاسبندی

۰۶:۴۷
9

بخش دوم - قسمت دوم - مدل نزدیک ترین همسایه ها

۰۸:۱۳
10

بخش دوم - قسمت سوم - چگونگی محاسبه فاصله بین کاربرها

۰۷:۱۹
11

بخش سوم - قسمت اول - نصب پایتون و آناکوندا

۰۵:۵۰
12

بخش سوم - قسمت دوم - معرفی دیتا ست movielense

۱۱:۱۸
13

بخش سوم - قسمت سوم - ساخت ماتریس رتبه بندی

۰۹:۱۰
14

بخش سوم - قسمت چهارم - محاسبه فاصله بین کاربر ها

۱۰:۱۰
15

بخش سوم - قسمت پنجم - پیدا کردن نزدیک ترین همسایه ها

۱۰:۵۳
16

بخش سوم - قسمت ششم - یافتن N فیلم برار جهت توصیه به کاربر

۱۷:۲۲

دوره پیاده سازی سیستم های توصیه گر با پایتون و یادگیری ماشین

امروزه سیستم های توصیه گر از محبوب ترین شاخه های علم داده هستند. از این سیستم ها برای پیش بینی “رتبه بندی” یا “ترجیحی” که کاربر به یک محصول می دهد استفاده می شود. تقریباً هر شرکت بزرگ فناوری آنها را به نوعی در کار خود اعمال کرده است. بسیاری از شرکت های بزرگ، به عنوان مثال آمازون و فیس بوک و eBay برای پیشنهاد محصولاتی مانند فیلم، موسیقی و کتاب از سیستم‌های توصیه گر استفاده کرده اند. آمازون برای پیشنهاد محصولات به مشتریان، فیس بوک برای توصیه صفحاتی که کاربران ممکن است دنبال کنند و YouTube برای تصمیم گیری در مورد اینکه چه ویدیویی به طور خودکار به عنوان ویدیوی بعدی پخش شود، از این سیستم استفاده می‌کند.

علاوه بر آن ، این سیستمها تأثیر زیادی در موفقیت تبلیغات تجاری شرکتها در زمینه مالی و رضایت مشتری دارند.

  • این شرکت‌ها با به کارگیری سیستم‌های توصیه گر توانسته اند رفتار مشتری‌ها و کاربران را پیش‌بینی کنند و با توجه علایق آنها، محصولات مشابه به آنها پیشنهاد کنند.
  • به عنوان مثال، برای درک اهمیت استفاده از یک سیستم توصیه گر بهینه، نتفلیکس در سال 2009 یک میلیون دلار به هر کسی که بتواند سیستمش را 10٪ بهبود بخشد ، پیشنهاد داد.

انواع سیستم‌های توصیه‌گر

سیستم های توصیه گر به طور کلی ، به سه دسته تقسیم می شوند:

  • فیلتر محتوایی (Content Based Filtering): این نوع سیستم‌ها براساس ویژگی‌های محتوایی موارد (مانند ژانر فیلم، نویسنده کتاب و…) که شما قبلاً دوست داشتید، پیشنهادات جدید را ارائه می‌دهند.
  • فیلتر مشارکتی (Collaborative Filtering): این نوع از سیستم‌ها براساس ترجیحات کاربران مشابه، به شما پیشنهاد می‌دهد. برای مثال، اگر کاربری مشابه با شما فیلمی را دوست داشته باشد، آن فیلم به شما هم پیشنهاد می‌شود.
  • سیستم های توصیه گر ترکیبی: این سیستم‌ها ترکیبی از دو یا چند روش مختلف توصیه‌گری هستند و تلاش می‌کنند نقاط ضعف هر کدام از روش‌ها را با استفاده از دیگری پوشش دهند. برای مثال، یک سیستم ترکیبی می‌تواند از فیلتر محتوایی برای پیشنهادات اولیه استفاده کند و سپس با استفاده از فیلتر مشارکتی آن‌ها را بهبود بخشد.

در بین این سه روش  Collaborative Filtering محبوب ترین رویکرد است. در این روش از یک سیستم رتبه بندی برای پیش بینی ترجیحات یک کاربر با در نظر گرفتن ترجیحات کاربر مشابه (یا همان نزدیکترین همسایه) استفاده می شود.

در این دوره چه میگذرد؟

در این دوره  ابتدا به درک مفاهیم اولیه ی سیستم های توصیه گر و الگوریتم های متفاوت آن میپردازیم و سپس در الگوریتم Collaborative Filtering عمیق تر میشویم و  در نهایت یک سیستم توصیه گر فیلم ساده در زبان پایتون  پیاده سازی میکنیم.

معرفی پروژه

شما با تماشای ویدیوهای این دوره می‌توانید به درک مناسبی از نحوه عملکرد سیستم‌های توصیه گر دست یابید. متد اصلی ما برای پیاده‌سازی این پروژه الگوریتم Collaborative Filtering و مدل نزدیک ترین همسایه ها یا KNN است.

  • هدف اصلی ما در این پروژه، ساختن یک سیستم توصیه گر فیلم، به کاربران  یک سایت فیلم مانند Netflix است.
  • در پایان این پروژه شما قادر خواهید بود تا از مهارت‌های خود در زمینه برنامه نویسی با پایتون و یادگیری ماشین، در ساخت و اجرای یک سیستم توصیه گر بهره ببرید.

ورودی مسأله : «شناسه کاربری کاربر» (user ID)

خروجی مسأله : لیست رتبه‌ بندی شده از فیلم هایی که به احتمال زیاد، کاربران تمایل دارند آنها را ببینند

پیاده سازی سیستم های توصیه گر

دوره برای چه کسانی مناسب است؟

  • علاقه مندان به زبان برنامه نویسی پایتون
  • علاقه مندان به یادگیری ماشین
  • علاقمندان تحلیل و کاوش در داده ها
  • دانشجویان رشته های هوش مصنوعی و داده کاوی
  • توسعه دهندگان وبسایت
  • کارآموزان حوزه ی سیستم های توصیه گر

تکنولوژی و نرم افزار های مورد نیاز

  • پایتون 3.5  به بالا
  • Jupyter Notebook

اگر ابزاری وجود داشته باشد که هر دانشمند داده ای باید از آن استفاده کند یا باید با آن راحت باشد، چیزی نیست جز نوت بوک های Jupyter (که قبلاً به آن notebooks iPython می گفتند). نوت بوک های Jupyter قدرتمند ، همه کاره و قابل اشتراک هستند و توانایی تجسم داده ها را در همان محیط فراهم می کنند

پیشنیاز های پیاده سازی سیستم های توصیه گر

سرفصل های آموزشی دوره پیاده سازی سیستم های توصیه گر

فصل اول :‌ درک مفاهیم سیستم های توصیه گر

  • رابطه ی بین کاربر ها و محصولات
  • انواع الگوریتم های سیستم های توصیه گر
  • Content Based Filtering
  • Collaborative Filtering
  • سیستم های توصیه گر ترکیبی
  • مقایسه الگوریتم های سیستم های توصیه گر

فصل دوم : مدل نزدیک ترین همسایه ها در سیستم های توصیه گر

  • کلاسبندی
  • مدل نزدیک ترین همسایه ها
  • چگونگی محاسبه فاصله بین کاربر ها

فصل سوم : پیاده سازی سیستم توصیه گر با استفاده از مدل نزدیک ترین همسایه ها در پایتون

  • نصب پایتون و آناکوندا
  • معرفی دیتا ست movielens
  • ساخت ماتریس  رتبه بندی
  • محاسبه فاصله بین کاربر ها
  • پیدا کردن نزدیک ترین همسایه ها
  • یافتن N فیلم برتر جهت توصیه به کاربر