In diesem Kurs lernen Sie, wie Sie fortgeschrittene Techniken des maschinellen Lernens nutzen können, um anspruchsvollere Empfehlungssysteme zu erstellen. Maschinelles Lernen ist in der Lage, Empfehlungen auszusprechen und bessere Vorhersagen zu treffen, indem es sich historische Meinungen von Nutzern zunutze macht und das Modell automatisch aufbaut, ohne dass Sie sich über alle Details des Modells Gedanken machen müssen. Am Ende des Kurses Fortgeschrittene Empfehlungssysteme werden Sie wissen, wie man mit hybriden Informationen umgeht und wie man verschiedene Filtertechniken kombiniert, indem man das Beste aus jedem Ansatz nimmt. Darüber hinaus werden Sie wissen, wie man Faktorisierungsmaschinen einsetzt und die Eingabedaten entsprechend darstellt, und Sie werden in der Lage sein, anspruchsvollere Empfehlungssysteme zu entwerfen, die das bereichsübergreifende Empfehlungsproblem lösen können. Der Kurs nutzt zwei wichtige übergreifende Lernergebnisse (OLOs) des EIT Digital, die sich auf Ihre Kreativität und Innovationsfähigkeit beziehen. Wenn Sie versuchen, ein neues Empfehlungssystem zu entwerfen, müssen Sie über die Grenzen hinaus denken und versuchen herauszufinden, wie Sie die Qualität der Ergebnisse verbessern können. Sie sollten auch in der Lage sein, Wissen, Ideen und Technologie zu nutzen, um neue oder deutlich verbesserte Empfehlungstools zu entwickeln, die Entscheidungsprozesse unterstützen und reale Probleme in komplexen und innovativen Szenarien lösen.



(23 Bewertungen)
Empfohlene Erfahrung
Was Sie lernen werden
Sie werden in der Lage sein, einige Techniken des maschinellen Lernens zu nutzen, um anspruchsvollere Empfehlungssysteme zu erstellen.
Sie werden lernen, wie Sie verschiedene grundlegende Ansätze zu einem hybriden Empfehlungssystem kombinieren können, um die Qualität der Empfehlungen zu verbessern.
Sie wissen, wie Sie verschiedene Arten von Nebeninformationen (über Inhalt oder Kontext) in ein Empfehlungssystem integrieren können.
Sie lernen, wie Sie Faktorisierungsmaschinen verwenden und die Eingabedaten darstellen, indem Sie verschiedene Arten von Filtertechniken miteinander kombinieren.
Wichtige Details

Zu Ihrem LinkedIn-Profil hinzufügen
4 Aufgaben
Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.


Erwerben Sie ein Karrierezertifikat.
Fügen Sie diese Qualifikation zur Ihrem LinkedIn-Profil oder Ihrem Lebenslauf hinzu.
Teilen Sie es in den sozialen Medien und in Ihrer Leistungsbeurteilung.

In diesem Kurs gibt es 5 Module
In diesem ersten Modul werden wir sehen, wie man maschinelles Lernen auf kollaborative Filtertechniken anwendet. Wir lernen, wie man einen artikelbasierten kollaborativen Algorithmus schreibt, der in der Lage ist, automatisch die besten Ähnlichkeiten zwischen Artikeln zu lernen, um bessere Empfehlungen zu geben, die die vom Modell vorhergesagten Nutzermeinungen besser mit den tatsächlichen Nutzermeinungen abgleichen. Wir werden auch verstehen, wie man Algorithmen zur kollaborativen Filterung trainiert, die diese Lücke minimieren. Schließlich werden wir eine neue Fehlermetrik definieren, die auf Ranking-Vergleichen basiert und für die Entwicklung von Learning-to-Rank-Algorithmen nützlich ist.
Das ist alles enthalten
7 Videos2 Lektüren1 Aufgabe2 peer reviews
In diesem zweiten Modul werden wir eine neue Familie von kollaborativen Filtertechniken untersuchen, die auf Dimensionalitätsreduktion und Ansätzen zur Matrixfaktorisierung basieren und alle von SVD (Singular Value Decomposition) inspiriert sind. Wir werden den Unterschied zwischen speicherbasierten und modellbasierten Empfehlungssystemen kennenlernen und ihre Grenzen und Vorteile diskutieren. Insbesondere werden wir lernen, wie man grundlegende Matrixfaktorisierungsalgorithmen von speicherbasierten in modellbasierte Ansätze umwandeln kann. Wir werden auch einen neuen wichtigen Parameter analysieren, nämlich die Anzahl der latenten Merkmale. Wir werden lernen, wie man die richtige Anzahl von latenten Merkmalen wählt, um personalisierte Empfehlungen zu geben und das Risiko einer Überanpassung historischer Daten zu verringern.
Das ist alles enthalten
8 Videos1 Aufgabe1 peer review1 Diskussionsthema
In diesem dritten Modul werden wir sehen, wie man zwei oder mehr grundlegende Algorithmen, wie z.B. kollaboratives Filtern und inhaltsbasierte Techniken, in einem hybriden Empfehlungssystem kombiniert, um die Qualität der Empfehlungen zu verbessern. Wir werden verschiedene Hybridisierungsansätze studieren, von der einfachsten heuristischen Methode bis hin zur anspruchsvolleren Methode des maschinellen Lernens. Dank hybrider Techniken werden wir in der Lage sein, den Input eines kollaborativen Empfehlungssystems entweder mit Inhalts- oder mit Kontextinformationen anzureichern.
Das ist alles enthalten
10 Videos1 Aufgabe1 peer review2 Diskussionsthemen
In diesem vierten und letzten Modul werden wir eine neue fortgeschrittene Technik der kollaborativen Filterung mit Nebeninformationen vorstellen, die Factorization Machine (FM) genannt wird, und wir werden sehen, wie die Eingabedaten bei Verwendung dieser Technik dargestellt werden sollten. Je nachdem, wie Sie die Eingabetabelle aufbauen, können wir mit nur einem mathematischen Modell einen einfachen Algorithmus zur Matrixfaktorisierung oder einen hochentwickelten Algorithmus zur kollaborativen Filterung mit Nebeninformationen (Kontext, Attribute zu Artikeln oder Attribute zu Benutzern) erstellen. Wir werden auch die Vorteile und kritischen Punkte von Algorithmen auf der Grundlage von FMs diskutieren. Am Ende des Moduls werden Sie wissen, wie Sie FMs verwenden können, um verschiedene Arten von Filtertechniken zu kombinieren und wie Sie verschiedene Arten von Eingabeinformationen ausgleichen können, indem Sie mit Koeffizienten und Gewichten spielen, um bessere und ausgefeiltere Vorhersagen zu treffen.
Das ist alles enthalten
7 Videos1 Aufgabe1 peer review1 Diskussionsthema
Die RecSys Challenge ist der beste Weg, um Ihre Kompetenzen zu trainieren: Es handelt sich um eine praktische Übung, die Ihnen die Möglichkeit bietet, das in diesem Kurs Gelernte anzuwenden und zu verbessern (learning by doing). Die Anwendungsdomäne ist ein Online-Shop. Der von uns zur Verfügung gestellte Datensatz enthält 4 Monate lang gesammelte Transaktionen aus einem Online-Supermarkt. Das Hauptziel des Wettbewerbs ist es, herauszufinden, mit welchem Artikel ein Benutzer interagiert. Die RecSys Challenge ist optional und wird nicht benötigt, um den Kurs zu bestehen. Wenn Sie ihn abschließen, erhalten Sie auf Ihrem Kurszertifikat die Bezeichnung Honors.
Das ist alles enthalten
1 Lektüre1 Programmieraufgabe
Dozent

Empfohlen, wenn Sie sich für Maschinelles Lernen interessieren
EIT Digital
University of Minnesota
Sungkyunkwan University
University of Minnesota
Warum entscheiden sich Menschen für Coursera für ihre Karriere?




Bewertungen von Lernenden
23 Bewertungen
- 5 stars
56,52 %
- 4 stars
13,04 %
- 3 stars
0 %
- 2 stars
13,04 %
- 1 star
17,39 %
Zeigt 3 von 23 an
Geprüft am 24. Juni 2021
Great course to overview advanced techniques to build recommender system.

Neue Karrieremöglichkeiten mit Coursera Plus
Unbegrenzter Zugang zu 10,000+ Weltklasse-Kursen, praktischen Projekten und berufsqualifizierenden Zertifikatsprogrammen - alles in Ihrem Abonnement enthalten
Bringen Sie Ihre Karriere mit einem Online-Abschluss voran.
Erwerben Sie einen Abschluss von erstklassigen Universitäten – 100 % online
Schließen Sie sich mehr als 3.400 Unternehmen in aller Welt an, die sich für Coursera for Business entschieden haben.
Schulen Sie Ihre Mitarbeiter*innen, um sich in der digitalen Wirtschaft zu behaupten.
Häufig gestellte Fragen
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Einschreibung ab. Wenn Sie einen Kurs im Prüfungsmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erwerben, müssen Sie die Zertifikatserfahrung während oder nach Ihrer Prüfung erwerben. Wenn Sie die Prüfungsoption nicht sehen:
Der Kurs bietet möglicherweise keine Prüfungsoption. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
Der Kurs bietet möglicherweise stattdessen die Option 'Vollständiger Kurs, kein Zertifikat'. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Bewertungen abgeben und eine Abschlussnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
Wenn Sie sich für den Kurs einschreiben, erhalten Sie Zugang zu allen Kursen der Specializations, und Sie erhalten ein Zertifikat, wenn Sie die Arbeit abgeschlossen haben. Ihr elektronisches Zertifikat wird Ihrer Erfolgsseite hinzugefügt - von dort aus können Sie Ihr Zertifikat ausdrucken oder zu Ihrem LinkedIn-Profil hinzufügen. Wenn Sie die Kursinhalte nur lesen und ansehen möchten, können Sie den Kurs kostenlos besuchen.
Wenn Sie ein Abonnement abgeschlossen haben, erhalten Sie eine kostenlose 7-tägige Testphase, in der Sie kostenlos kündigen können. Danach gewähren wir keine Rückerstattung, aber Sie können Ihr Abonnement jederzeit kündigen. Siehe unsere vollständigen Rückerstattungsbedingungen.