이 강좌에 대하여

최근 조회 27,287

학습자 경력 결과

60%

가 이 강좌를 수료한 후 새로운 커리어를 시작함

40%

가 이 강좌를 통해 확실한 경력상 이점을 얻음

12%

가 급여 인상 또는 승진 성취
공유 가능한 수료증
완료 시 수료증 획득
100% 온라인
지금 바로 시작해 나만의 일정에 따라 학습을 진행하세요.
다음 특화 과정의 5개 강좌 중 1번째 강좌:
유동적 마감일
일정에 따라 마감일을 재설정합니다.
중급 단계
완료하는 데 약 20시간 필요
영어
자막: 영어

귀하가 습득할 기술

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

학습자 경력 결과

60%

가 이 강좌를 수료한 후 새로운 커리어를 시작함

40%

가 이 강좌를 통해 확실한 경력상 이점을 얻음

12%

가 급여 인상 또는 승진 성취
공유 가능한 수료증
완료 시 수료증 획득
100% 온라인
지금 바로 시작해 나만의 일정에 따라 학습을 진행하세요.
다음 특화 과정의 5개 강좌 중 1번째 강좌:
유동적 마감일
일정에 따라 마감일을 재설정합니다.
중급 단계
완료하는 데 약 20시간 필요
영어
자막: 영어

제공자:

미네소타 대학교 로고

미네소타 대학교

강의 계획 - 이 강좌에서 배울 내용

콘텐츠 평가Thumbs Up90%(1,893개의 평가)Info
1

1

완료하는 데 1시간 필요

Preface

완료하는 데 1시간 필요
2개 동영상 (총 41분), 1 개의 읽기 자료
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 개의 읽기 자료, 2 개의 테스트
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 개의 읽기 자료, 9 개의 테스트
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 개의 읽기 자료, 3 개의 테스트
2개의 동영상
Honors: Intro to programming assignment10m
3개의 읽기 자료
Content-Based Recommenders Spreadsheet Assignment (aka Assignment #2)1시간 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 개의 읽기 자료
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

추천 시스템 특화 과정 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

  • 강의 및 과제 이용 권한은 등록 유형에 따라 다릅니다. 청강 모드로 강좌를 수강하면 대부분의 강좌 자료를 무료로 볼 수 있습니다. 채점된 과제를 이용하고 수료증을 받으려면 청강 도중 또는 이후에 수료증 경험을 구매해야 합니다. 청강 옵션이 표시되지 않는 경우:

    • 강좌에서 청강 옵션을 제공하지 않을 수 있습니다. 대신 무료 평가판을 사용하거나 재정 지원을 신청할 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.

  • 구독하는 경우, 취소해도 요금이 청구되지 않는 7일간의 무료 평가판을 이용할 수 있습니다. 해당 기간이 지난 후에는 환불이 되지 않지만, 언제든 구독을 취소할 수 있습니다. 전체 환불 정책 보기.

  • 예, Coursera에서는 수업료를 낼 수 없는 학습자를 위해 재정 지원을 제공합니다. 왼쪽에 있는 등록 버튼 아래 재정 지원 링크를 클릭하면 지원할 수 있습니다. 신청서를 작성하라는 메시지가 표시되며 승인되면 알림을 받습니다. 성취 프로젝트를 포함하여 전문 분야의 각 강좌에서 이 단계를 완료해야 합니다. 자세히 알아보기.

  • 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.

  • 이 강좌는 대학 학점을 제공하지 않지만, 일부 대학에서 선택적으로 강좌 수료증을 학점으로 인정할 수도 있습니다. 자세한 내용은 해당 기관에 문의하세요. Coursera의 온라인 학위Mastertrack™ 수료증은 대학 학점을 취득할 기회를 제공합니다.

궁금한 점이 더 있으신가요? 학습자 도움말 센터를 방문해 보세요.