Совместные системы фильтрации и рекомендаций с помощью PyTorch и fastai

Системы рекомендаций являются движущей силой современного Интернета, помогая пользователям найти продукты, книги и музыку, которые они любят. Понимание того, как создавать эти двигатели с помощью глубокого обучения, является востребованным навыком для разработчиков и ученых данных. Этот курс научит вас основополагающим концепциям совместной фильтрации и проведет вас через реализацию моделей рекоммендации с помощьй PyTorch и fastai. Изучая четкие письменные объяснения и пошаговые реализации кода, вы перейдете от новичка к уверенному созданию и настройке своих собственных двигателя рекомендований. Что вы узнаете: - Понять основные принципы совместной фильтрации, латентных факторов и факторизации матриц. - Создание моделей рекомендаций с использованием высокоуровневых API fastai и низкоуровневого PyTorch. - Создание и обучение встраиваемых слоев для представления пользователей и элементов в непрерывных векторных пространствах. - Применять архитектуры глубокого обучения для захвата сложных, нелинейных взаимодействий пользователя с элементом. - Оценка эффективности модели с использованием стандартных показателей для обеспечения точных рекомендаций. - Решение общих проблем, возникающих в реальной жизни, таких, как проблема холодного запуска и скудость данных. Это текстовое руководство начинается с основных математических и концептуальных основ движков рекомендаций, а затем переходит к практическим реализациям кода. Вы пройдете подготовку данных, обучение модели и методы оптимизации с использованием чистого, современного кода Python. Этот курс предназначен для программистов и начинающих ученых, которые хотят получить четкое, концептуальное введение в системы рекомендаций, основанные на глубоком обучении. Базовое знание Python полезно, но предыдущий опыт работы с PyTorch или машинным обучением не требуется. Начните читать сегодня, чтобы раскрыть силу персонализированных рекомендаций с глубоким обучением.