کتاب ساخت موتورهای توصیه‌گر با پایتون با فرمت AZW3 برای کتابخوان کیندل و فرمت EPUB

249,950 تومان
پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره ساخت موتورهای توصیه‌گر با پایتون

موضوع کلی: برنامه‌نویسی کامپیوترهای خانگی

موضوع میانی: AI for AI Personalization Engines

📋 سرفصل‌های دوره

  • 1. آشنایی با سیستم‌های توصیه‌گر
  • 2. مفاهیم کلیدی در توصیه‌گرها
  • 3. انواع داده‌ها در سیستم‌های توصیه‌گر
  • 4. پیش‌پردازش داده‌ها برای توصیه‌گرها
  • 5. معرفی کتابخانه پایتون Scikit-learn
  • 6. مقدمه‌ای بر الگوریتم‌های یادگیری ماشین
  • 7. یادگیری نظارت شده و کاربرد آن در توصیه‌گرها
  • 8. یادگیری بدون نظارت و کاربرد آن در توصیه‌گرها
  • 9. الگوریتم همسایگی K-نزدیکترین (K-NN)
  • 10. محاسبه فاصله بین کاربران و آیتم‌ها
  • 11. پیاده‌سازی K-NN در پایتون برای توصیه‌گرها
  • 12. ارزیابی عملکرد توصیه‌گرها: معیارهای ارزیابی
  • 13. ماتریس سردرگمی و معیارهای مرتبط
  • 14. معرفی فیلترینگ مشارکتی
  • 15. فیلترینگ مشارکتی مبتنی بر کاربر
  • 16. فیلترینگ مشارکتی مبتنی بر آیتم
  • 17. محاسبه شباهت بین کاربران و آیتم‌ها
  • 18. پیاده‌سازی فیلترینگ مشارکتی در پایتون
  • 19. کاهش ابعاد داده با استفاده از PCA
  • 20. مقدمه‌ای بر تجزیه مقادیر منفرد (SVD)
  • 21. استفاده از SVD برای کاهش ابعاد در توصیه‌گرها
  • 22. پیاده‌سازی SVD در پایتون
  • 23. معرفی روش‌های ماتریسی فاکتورسازی
  • 24. ماتریس فاکتورسازی غیرمنفی (NMF)
  • 25. پیاده‌سازی NMF در پایتون برای توصیه‌گرها
  • 26. توصیه‌گرهای مبتنی بر محتوا
  • 27. استخراج ویژگی از داده‌های متنی
  • 28. استفاده از TF-IDF در توصیه‌گرهای مبتنی بر محتوا
  • 29. معرفی شبکه‌های عصبی
  • 30. شبکه‌های عصبی عمیق برای توصیه‌گرها
  • 31. Autoencoders برای یادگیری نمایش‌های فشرده
  • 32. پیاده‌سازی Autoencoder در پایتون
  • 33. توصیه‌گرهای ترکیبی
  • 34. ترکیب فیلترینگ مشارکتی و مبتنی بر محتوا
  • 35. معرفی کتابخانه Surprise در پایتون
  • 36. پیاده‌سازی الگوریتم‌های Surprise
  • 37. استفاده از Cross-validation برای ارزیابی مدل
  • 38. تنظیم پارامترهای مدل با استفاده از Grid Search
  • 39. بهینه‌سازی عملکرد توصیه‌گرها
  • 40. مقابله با مشکل Cold Start
  • 41. تکنیک‌های افزایش داده‌ها برای توصیه‌گرها
  • 42. پیاده‌سازی توصیه‌گر مبتنی بر زمان
  • 43. توصیه‌گرهای مبتنی بر دانش
  • 44. مقدمه‌ای بر توصیه‌گرهای آگاه از زمینه
  • 45. استفاده از داده‌های ضمنی (Implicit Feedback)

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.