Master recommender systems.. Learn to design, build, and evaluate recommender systems for commerce and content.

4.4

星

658件の評価

Joseph A Konstan +1人以上のインストラクター

15,974人がすでに登録済みです

提供：

レコメンダシステム専門講座ミネソタ大学（University of Minnesota）

学習内容

Build recommendation systems

Implement collaborative filtering

Master spreadsheet based tools

Use project-association recommenders

習得するスキル

Collaborative Filtering
Recommender Systems
Evaluation
LensKit
Matrix Factorization
Summary Statistics
Term Frequency Inverse Document Frequency (TF-IDF)
Microsoft Excel

この専門講座について

6,051 最近の表示

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.

共有できる証明書

修了時に証明書を取得

100%オンラインコース

自分のスケジュールですぐに学習を始めてください。

フレキシブルなスケジュール

柔軟性のある期限の設定および維持

中級レベル

専門講座の仕組み

コースを受講しましょう。

Courseraの専門講座は、一連のコース群であり、技術を身に付ける手助けとなります。開始するには、専門講座に直接登録するか、コースを確認して受講したいコースを選択してください。専門講座の一部であるコースにサブスクライブすると、自動的にすべての専門講座にサブスクライブされます。1つのコースを修了するだけでも結構です。いつでも、学習を一時停止したり、サブスクリプションを終了することができます。コースの登録状況や進捗を追跡するには、受講生のダッシュボードにアクセスしてください。

実践型プロジェクト

すべての専門講座には、実践型プロジェクトが含まれています。専門講座を完了して修了証を獲得するには、成功裏にプロジェクトを終了させる必要があります。専門講座に実践型プロジェクトに関する別のコースが含まれている場合、専門講座を開始するには、それら他のコースをそれぞれ終了させる必要があります。

修了証を取得

すべてのコースを終了し、実践型プロジェクトを完了すると、修了証を獲得します。この修了証は、今後採用企業やあなたの職業ネットワークと共有できます。

この専門講座には5コースあります。

コース1

コース 1

Introduction to Recommender Systems: Non-Personalized and Content-Based

4.5

星

607件の評価

•

128件のレビュー

This course, which is designed to serve as the first course in the Recommender Systems specialization, introduces the concept of recommender systems, reviews several examples in detail, and leads you through non-personalized recommendation using summary statistics and product associations, basic stereotype-based or demographic recommendations, and content-based filtering recommendations.

After completing this course, you will be able to compute a variety of recommendations from datasets using basic spreadsheet tools, and if you complete the honors track you will also have programmed these recommendations using the open source LensKit recommender toolkit. In addition to detailed lectures and interactive exercises, this course features interviews with several leaders in research and practice on advanced topics and current directions in recommender systems.

コース2

コース 2

Nearest Neighbor Collaborative Filtering

4.3

星

296件の評価

•

67件のレビュー

In this course, you will learn the fundamental techniques for making personalized recommendations through nearest-neighbor techniques. First you will learn user-user collaborative filtering, an algorithm that identifies other people with similar tastes to a target user and combines their ratings to make recommendations for that user. You will explore and implement variations of the user-user algorithm, and will explore the benefits and drawbacks of the general approach. Then you will learn the widely-practiced item-item collaborative filtering algorithm, which identifies global product associations from user ratings, but uses these product associations to provide personalized recommendations based on a user's own product ratings.

コース3

コース 3

Recommender Systems: Evaluation and Metrics

4.4

星

220件の評価

•

31件のレビュー

In this course you will learn how to evaluate recommender systems. You will gain familiarity with several families of metrics, including ones to measure prediction accuracy, rank accuracy, decision-support, and other factors such as diversity, product coverage, and serendipity. You will learn how different metrics relate to different user goals and business goals. You will also learn how to rigorously conduct offline evaluations (i.e., how to prepare and sample data, and how to aggregate results). And you will learn about online (experimental) evaluation. At the completion of this course you will have the tools you need to compare different recommender system alternatives for a wide variety of uses.

コース4

コース 4

Matrix Factorization and Advanced Techniques

4.3

星

180件の評価

•

26件のレビュー

In this course you will learn a variety of matrix factorization and hybrid machine learning techniques for recommender systems. Starting with basic matrix factorization, you will understand both the intuition and the practical details of building recommender systems based on reducing the dimensionality of the user-product preference space. Then you will learn about techniques that combine the strengths of different algorithms into powerful hybrid recommenders.

講師

Joseph A Konstan

Distinguished McKnight Professor and Distinguished University Teaching Professor

Computer Science and Engineering

受講者178,963 名

11 コース

Michael D. Ekstrand

Assistant Professor

Dept. of Computer Science, Boise State University

受講者102,485 名

6 コース

提供：

ミネソタ大学（University of Minnesota）

The University of Minnesota is among the largest public research universities in the country, offering undergraduate, graduate, and professional students a multitude of opportunities for study and research. Located at the heart of one of the nation’s most vibrant, diverse metropolitan communities, students on the campuses in Minneapolis and St. Paul benefit from extensive partnerships with world-renowned health centers, international corporations, government agencies, and arts, nonprofit, and public service organizations.

よくある質問

返金ポリシーについて教えてください。
サブスクライブすると、7日間の無料トライアルを体験できます。この期間中は解約金なしでキャンセルできます。それ以降、払い戻しはありませんが、サブスクリプションをいつでもキャンセルできます。返金ポリシーをすべて表示します。
1つのコースだけに登録することは可能ですか？
はい。まず始めに興味のあるコースカードをクリックして登録します。コースに登録して修了することによって、共有できる修了証を取得するか、無料でコースを聴講してコースの教材を確認することができます。専門講座の一部であるコースにサブスクライブすると、専門講座全体に自動的にサブスクライブされます。進捗を追跡するには、受講生のダッシュボードにアクセスしてください。
学資援助はありますか？
はい。一部の学習プログラムでは、登録料が払えない場合、学資援助や奨学金を申請することができます。学習プログラムの選択において、学資援助や奨学金が利用可能な場合は、説明ページに申請するためのリンクが貼ってあります。
無料でコースを受講できますか？
コースに登録すると専門講座のすべてのコースにアクセスできるようになり、コースを修了すると修了証を取得できます。コース内容の閲覧のみを希望する場合は、無料でコースを聴講することができます。受講料の支払いが難しい場合は、学資援助を申請することができます。
このコースは100%オンラインで提供されますか？実際に出席する必要のあるクラスはありますか？
このコースは完全にオンラインで提供されているため、実際に教室に出席する必要はありません。Webまたはモバイル機器からいつでもどこからでも講義、学習用教材、課題にアクセスできます。
専門講座を修了するのにどのくらいの期間かかりますか？
Most learners should be able to complete the specialization in 20-26 weeks.
What background knowledge is necessary?
Basic statistics or college algebra, and an ability to work with spreadsheets. For the honors track, you should also be comfortable implementing software in Java.
Do I need to take the courses in a specific order?
While each component can be useful by itself, the courses do build on each other and should be taken in order.
専門講座を修了することで大学の単位は付与されますか？
The University of Minnesota does not offer credit for completing this specialization. If you are enrolled elsewhere, you may wish to speak with your advisor or program staff to find out whether this specialization could be used for independent study credit.
What will I be able to do upon completing the Specialization?
You will understand and be able to apply the major families of recommender algorithms: non-personalized, product association, content-based, nearest-neighbor, and matrix factorization. You will know and be able to apply a variety of recommender metrics, and will be able to use this knowledge to match the correct recommender system to appplications.
What is the honors track?
The honors track is an optional track where learners add programming recommenders in the open source LensKit toolkit. You should be comfortable with basic data structures, algorithms, and Java to attempt the honors track.
How does this Specialization relate to the prior Recommender Systems courses?
This specialization is an extended and updated version of the two prior versions of Introduction to Recommender Systems that we've offered through Coursera. About 50% of the video and 80% of the assessment material are new, and there is an honors track with programming assignments (which existed in the first version of the course only, and have been re-done for this specialization). The Capstone is entirely new.

さらに質問がある場合は、受講者ヘルプセンターにアクセスしてください。

レコメンダシステム専門講座

学習内容

習得するスキル

この専門講座について