使用 Python 实做推荐系统和深度学习

运用深度学习、机器学习、数据科学和人工智能技术的最深入推荐系统课程

课程介绍:English 繁中

从这 11.5 小时的课程,你会学到

  • 理解并实现准确的用户推荐,运用简单的和最先进的算法

要求

课程说明

信不信由你,现在几乎所有的在线业务都以某种方式使用推荐系统( recommender systems)。我所说的”推荐系统”是什么意思,它们为什么有用?

让我们看看网络上的前三大网站,根据 Alexa : Google、YouTube 和 Facebook。推荐系统是这些技术的重要基础。

Google :  搜索结果

这就是为什么 Google 是当今最成功的科技公司的原因。

YouTube : 视频仪表板

我肯定不是唯一一个不小心在 YouTube 上花了几个小时的人,在我有更重要的事情要做的时候! 他们是怎么吸引你这么做的呢?

没错。 推荐系统!

Facebook : 如此强大以至于世界各国政府都担心新闻源对人们的影响太大了! (或者他们担心失去自己的力量… 嗯…)

太令人惊奇了!这个课程给你一大袋的技巧,使推荐系统能跨多个平台运作。

我们将研究流行的新闻馈送算法( news feed algorithms ),比如 Reddit,Hacker News 和 Google PageRank。

我们将看看如今许多媒体公司正在使用的贝叶斯( Bayesian )推荐技术。 但是这门课程不仅仅是关于新闻馈送( news feeds )。像 Amazon、 Netflix 和 Spotify 这样的公司多年来一直在向客户推荐产品、电影和音乐。这些算法带来了数十亿美元额外收入。.所以我向你保证,你将要在这门课上学到的东西是非常真实的,非常实用的,并且会对你的业务产生巨大的影响。

对于那些喜欢深入理解这个理论的人来说,你们知道这是我的专长,在这门课程中不会缺少这些。 我们将会涵盖最先进的算法,比如矩阵分解( matrix factorization )深度学习(同时利用监督和非监督式学习) ,你将学到一整袋的技巧来改善基础线( baseline)结果。

无论你是在电子商务商店里销售产品,或者你只是简单地写一个博客——你可以用这些技巧在合适的时间向你的用户展示正确的推荐。如果你是一家公司的员工,你可以用这些技巧给你的经理留下深刻印象,并获得加薪!

课堂上见!

注意: 这门课程并不是我深度学习系列的”官方”部分。 它包含一个强大的深度学习的组成,但是课程中有许多概念与深度学习完全无关。

提示(通过课程):

  • 以 2x 观看。
  • 拿手写笔记。 这将大大增加你记住消息的能力。
  • 写下方程。 如果你不这样做,我保证它看起来像乱码。
  • 在讨论板上提出许多问题。 越多越好!
  • 意识到大多数练习将需要几天或几周才能完成。
  • 自己编写代码,不要只是坐在那里看我写程序。

目标受众

  • 任何拥有或经营互联网业务的人
  • 机器学习、深度学习、人工智能和数据科学领域的学生
  • 在机器学习,深度学习,人工智能和数据科学的专业人员

讲师简介

Lazy Programming  数据科学家和大数据工程师

我是一名数据科学家、大数据工程师和全端软件工程师。

我有电脑工程的硕士,专长为机器学习和模式辨识。

我曾在网络广告和数字媒体企业担任过数据科学家和大数据工程师,围绕所谓的数据建构各种高流量的 web 服务。我曾经使用 Hadoop / Pig / MapReduce 创建新的大数据管道,也曾创建机器学习模型来预测点击率,使用线性回归、Bayesian Bandits 和协同过滤 ( collaborative filtering )创建新闻推荐系统,并使用A / B测试验证结果。

我曾在大学部与研究所教授数据科学、统计学、机器学习、算法、微积分、电脑图学和物理学,任职的学校如哥伦比亚大学、纽约大学、Hunter 学院和 The New School。

有多家企业已从我的 Web 编程专业知识中受益。我做所有的后端(服务器)、前端(HTML / JS / CSS)和运营/布署工作。 我使用的技术包含:Python、Ruby / Rails、PHP、Bootstrap、jQuery ( Javascript )、Backbone 和  Angular。至于保存/数据库,我采用 MySQL、Postgres、Redis、MongoDB等。

英文字幕:有

  • 想要了解如何将英文字幕自动翻译成中文? 请参考这篇 How-To

优惠信息

如何购买这门课程比较划算?可以参考课程合购优惠方案


报名参加课程

Sponsored by Udemy

也许你会有兴趣

 欢迎使用e-mail订阅 Soft & Share 

发表评论

Powered by WordPress.com.

Up ↑

%d 博主赞过: