About this Course

최근 조회 18,288

학습자 경력 결과

60%

이 강좌를 수료한 후 새로운 경력 시작하기

40%

이 강좌를 통해 확실한 경력상 이점 얻기

12%

급여 인상 또는 승진하기

공유 가능한 수료증

완료 시 수료증 획득

100% 온라인

지금 바로 시작해 나만의 일정에 따라 학습을 진행하세요.

다음 전문 분야의 5개 강좌 중 1번째 강좌:

유동적 마감일

일정에 따라 마감일을 재설정합니다.

중급 단계

완료하는 데 약 16시간 필요

권장: 4 weeks; an average of 3-7 hours per week, plus 2-5 hours per week for honors track. ...

영어

자막: 영어

귀하가 습득할 기술

Summary StatisticsTerm Frequency Inverse Document Frequency (TF-IDF)Microsoft ExcelRecommender Systems

학습자 경력 결과

60%

이 강좌를 수료한 후 새로운 경력 시작하기

40%

이 강좌를 통해 확실한 경력상 이점 얻기

12%

급여 인상 또는 승진하기

공유 가능한 수료증

완료 시 수료증 획득

100% 온라인

지금 바로 시작해 나만의 일정에 따라 학습을 진행하세요.

다음 전문 분야의 5개 강좌 중 1번째 강좌:

유동적 마감일

일정에 따라 마감일을 재설정합니다.

중급 단계

완료하는 데 약 16시간 필요

권장: 4 weeks; an average of 3-7 hours per week, plus 2-5 hours per week for honors track. ...

영어

자막: 영어

강의 계획 - 이 강좌에서 배울 내용

콘텐츠 평가Thumbs Up90%(1,726개의 평가)Info
1

1

완료하는 데 1시간 필요

Preface

완료하는 데 1시간 필요
2개 동영상 (총 41분), 1 reading
2개의 동영상
Intro to Course and Specialization13m
1개의 읽기 자료
Notes on Course Design and Relationship to Prior Courses10m
완료하는 데 3시간 필요

Introducing Recommender Systems

완료하는 데 3시간 필요
9개 동영상 (총 147분), 2 readings, 2 quizzes
9개의 동영상
Preferences and Ratings17m
Predictions and Recommendations16m
Taxonomy of Recommenders I27m
Taxonomy of Recommenders II21m
Tour of Amazon.com21m
Recommender Systems: Past, Present and Future16m
Introducing the Honors Track7m
Honors: Setting up the development environment10m
2개의 읽기 자료
About the Honors Track10m
Downloads and Resources10m
2개 연습문제
Closing Quiz: Introducing Recommender Systems20m
Honors Track Pre-Quiz2m
2

2

완료하는 데 7시간 필요

Non-Personalized and Stereotype-Based Recommenders

완료하는 데 7시간 필요
7개 동영상 (총 111분), 5 readings, 9 quizzes
7개의 동영상
Summary Statistics I16m
Summary Statistics II22m
Demographics and Related Approaches13m
Product Association Recommenders19m
Assignment #1 Intro Video14m
Assignment Intro: Programming Non-Personalized Recommenders17m
5개의 읽기 자료
External Readings on Ranking and Scoring10m
Assignment 1 Instructions: Non-Personalized and Stereotype-Based Recommenders10m
Assignment Intro: Programming Non-Personalized Recommenders10m
LensKit Resources10m
Rating Data Information10m
8개 연습문제
Assignment #1: Response #1: Top Movies by Mean Rating10m
Assignment #1: Response #2: Top Movies by Count10m
Assignment #1: Response #3: Top Movies by Percent Liking10m
Assignment #1: Response #4: Association with Toy Story10m
Assignment #1: Response #5: Correlation with Toy Story10m
Assignment #1: Response #6: Male-Female Differences in Average Rating10m
Assignment #1: Response #7: Male-Female differences in Liking8m
Non-Personalized Recommenders20m
3

3

완료하는 데 3시간 필요

Content-Based Filtering -- Part I

완료하는 데 3시간 필요
8개 동영상 (총 156분)
8개의 동영상
TFIDF and Content Filtering24m
Content-Based Filtering: Deeper Dive26m
Entree Style Recommenders -- Robin Burke Interview13m
Case-Based Reasoning -- Interview with Barry Smyth13m
Dialog-Based Recommenders -- Interview with Pearl Pu21m
Search, Recommendation, and Target Audiences -- Interview with Sole Pera11m
Beyond TFIDF -- Interview with Pasquale Lops21m
4

4

완료하는 데 6시간 필요

Content-Based Filtering -- Part II

완료하는 데 6시간 필요
2개 동영상 (총 26분), 3 readings, 3 quizzes
2개의 동영상
Honors: Intro to programming assignment10m
3개의 읽기 자료
Content-Based Recommenders Spreadsheet Assignment (aka Assignment #2)1시 20분
Tools for Content-Based Filtering10m
CBF Programming Intro10m
2개 연습문제
Assignment #2 Answer Form20m
Content-Based Filtering20m
완료하는 데 1시간 필요

Course Wrap-up

완료하는 데 1시간 필요
2개 동영상 (총 45분), 1 reading
2개의 동영상
Psychology of Preference & Rating -- Interview with Martijn Willemsen31m
1개의 읽기 자료
Related Readings10m

검토

INTRODUCTION TO RECOMMENDER SYSTEMS: NON-PERSONALIZED AND CONTENT-BASED의 최상위 리뷰
모든 리뷰 보기

제공자:

미네소타 대학교 로고

미네소타 대학교

추천 시스템 전문 분야 정보

A Recommender System is a process that seeks to predict user preferences. This Specialization covers all the fundamental techniques in recommender systems, from non-personalized and project-association recommenders through content-based and collaborative filtering techniques, as well as advanced topics like matrix factorization, hybrid machine learning methods for recommender systems, and dimension reduction techniques for the user-product preference space. This Specialization is designed to serve both the data mining expert who would want to implement techniques like collaborative filtering in their job, as well as the data literate marketing professional, who would want to gain more familiarity with these topics. The courses offer interactive, spreadsheet-based exercises to master different algorithms, along with an honors track where you can go into greater depth using the LensKit open source toolkit. By the end of this Specialization, you’ll be able to implement as well as evaluate recommender systems. The Capstone Project brings together the course material with a realistic recommender design and analysis project....
추천 시스템

자주 묻는 질문

  • 강좌에 등록하면 바로 모든 비디오, 테스트 및 프로그래밍 과제(해당하는 경우)에 접근할 수 있습니다. 상호 첨삭 과제는 이 세션이 시작된 경우에만 제출하고 검토할 수 있습니다. 강좌를 구매하지 않고 살펴보기만 하면 특정 과제에 접근하지 못할 수 있습니다.

  • 강좌를 등록하면 전문 분야의 모든 강좌에 접근할 수 있고 강좌를 완료하면 수료증을 취득할 수 있습니다. 전자 수료증이 성취도 페이지에 추가되며 해당 페이지에서 수료증을 인쇄하거나 LinkedIn 프로필에 수료증을 추가할 수 있습니다. 강좌 내용만 읽고 살펴보려면 해당 강좌를 무료로 청강할 수 있습니다.

  • This specialization is a substantial extension and update of our original introductory course. It involves about 60% new and extended lectures and mostly new assignments and assessments. This course specifically has added material on stereotyped and demographic recommenders and on advanced techniques in content-based recommendation.

궁금한 점이 더 있으신가요? 학습자 도움말 센터를 방문해 보세요.