In diesem zweiten Modul werden wir eine neue Familie von kollaborativen Filtertechniken untersuchen, die auf Dimensionalitätsreduktion und Ansätzen zur Matrixfaktorisierung basieren und alle von SVD (Singular Value Decomposition) inspiriert sind. Wir werden den Unterschied zwischen speicherbasierten und modellbasierten Empfehlungssystemen kennenlernen und ihre Grenzen und Vorteile diskutieren. Insbesondere werden wir lernen, wie man grundlegende Matrixfaktorisierungsalgorithmen von speicherbasierten in modellbasierte Ansätze umwandeln kann. Wir werden auch einen neuen wichtigen Parameter analysieren, nämlich die Anzahl der latenten Merkmale. Wir werden lernen, wie man die richtige Anzahl von latenten Merkmalen wählt, um personalisierte Empfehlungen zu geben und das Risiko einer Überanpassung historischer Daten zu verringern.

In diesem dritten Modul werden wir sehen, wie man zwei oder mehr grundlegende Algorithmen, wie z.B. kollaboratives Filtern und inhaltsbasierte Techniken, in einem hybriden Empfehlungssystem kombiniert, um die Qualität der Empfehlungen zu verbessern. Wir werden verschiedene Hybridisierungsansätze studieren, von der einfachsten heuristischen Methode bis hin zur anspruchsvolleren Methode des maschinellen Lernens. Dank hybrider Techniken werden wir in der Lage sein, den Input eines kollaborativen Empfehlungssystems entweder mit Inhalts- oder mit Kontextinformationen anzureichern.

In diesem vierten und letzten Modul werden wir eine neue fortgeschrittene Technik der kollaborativen Filterung mit Nebeninformationen vorstellen, die Factorization Machine (FM) genannt wird, und wir werden sehen, wie die Eingabedaten bei Verwendung dieser Technik dargestellt werden sollten. Je nachdem, wie Sie die Eingabetabelle aufbauen, können wir mit nur einem mathematischen Modell einen einfachen Algorithmus zur Matrixfaktorisierung oder einen hochentwickelten Algorithmus zur kollaborativen Filterung mit Nebeninformationen (Kontext, Attribute zu Artikeln oder Attribute zu Benutzern) erstellen. Wir werden auch die Vorteile und kritischen Punkte von Algorithmen auf der Grundlage von FMs diskutieren. Am Ende des Moduls werden Sie wissen, wie Sie FMs verwenden können, um verschiedene Arten von Filtertechniken zu kombinieren und wie Sie verschiedene Arten von Eingabeinformationen ausgleichen können, indem Sie mit Koeffizienten und Gewichten spielen, um bessere und ausgefeiltere Vorhersagen zu treffen.

Die RecSys Challenge ist der beste Weg, um Ihre Kompetenzen zu trainieren: Es handelt sich um eine praktische Übung, die Ihnen die Möglichkeit bietet, das in diesem Kurs Gelernte anzuwenden und zu verbessern (learning by doing). Die Anwendungsdomäne ist ein Online-Shop. Der von uns zur Verfügung gestellte Datensatz enthält 4 Monate lang gesammelte Transaktionen aus einem Online-Supermarkt. Das Hauptziel des Wettbewerbs ist es, herauszufinden, mit welchem Artikel ein Benutzer interagiert. Die RecSys Challenge ist optional und wird nicht benötigt, um den Kurs zu bestehen. Wenn Sie ihn abschließen, erhalten Sie auf Ihrem Kurszertifikat die Bezeichnung Honors.