Dans ce module, vous allez créer trois systèmes de recommandation de cours en utilisant différentes méthodes. Dans le premier laboratoire, vous créerez un système de recommandation de cours basé sur le profil de l'utilisateur et les matrices de genre de cours en calculant un score d'intérêt pour chaque cours et en recommandant les cours ayant les scores d'intérêt les plus élevés. Dans le deuxième laboratoire, vous générerez une matrice de similarité des cours pour créer le système de recommandation. Dans le troisième laboratoire, vous mettrez en œuvre un algorithme de système de recommandation basé sur le clustering en utilisant le clustering K-moyennes et l'Analyse en composantes principales (ACP) sur la base de l'historique des inscriptions aux cours des membres du groupe. Dans les quatrième et cinquième laboratoires, vous utiliserez le filtrage collaboratif pour prédire les intérêts d'un utilisateur en fonction des préférences similaires d'autres utilisateurs. Dans le laboratoire 4, vous effectuerez un filtrage collaboratif basé sur le KNN et dans le laboratoire 5, vous utiliserez la factorisation de matrices non négatives.

Dans ce module, vous allez prédire l'évaluation des cours à l'aide de réseaux neuronaux. Dans le premier laboratoire, vous entraînerez les réseaux neuronaux à prédire les évaluations de cours tout en extrayant simultanément les caractéristiques latentes des utilisateurs et des éléments. Dans le deuxième laboratoire, vous recevrez des vecteurs de caractéristiques d'interaction de cours comme données d'entrée. En utilisant l'analyse de régression, vous calculerez les scores d'évaluation numériques qui prédisent si un étudiant va auditer ou terminer un cours. Le laboratoire 3 est similaire au laboratoire 2, mais au lieu d'utiliser la régression, vous utiliserez un modèle de classification. Vous allez extraire d'un réseau neuronal des vecteurs de caractéristiques d'intégration de l'utilisateur et de l'élément. Avec ces vecteurs de caractéristiques d'intégration, vous créerez un vecteur de caractéristiques d'interaction et l'utiliserez pour construire un modèle de classification. Le modèle associe le vecteur de caractéristiques d'interaction à un mode d'évaluation qui permet de prédire si un apprenant va auditer ou terminer un cours.

Dans ce module, vous passerez en revue les lignes directrices et les meilleures pratiques pour créer des rapports réussis. De même, vous souhaiterez peut-être revoir les instructions relatives à la création de présentations PowerPoint et à l'enregistrement d'une présentation PowerPoint au format PDF.

Dans ce dernier module, vous serez initié à Streamlit et aurez l'occasion de construire une application Streamlit pour présenter votre travail dans les modules précédents. Enfin, vous créerez la présentation finale pour ce capstone et la soumettrez à l'évaluation par le biais d'une notation IA ou d'une évaluation par les pairs.