Ce cours commence par les concepts théoriques et les connaissances fondamentales des systèmes de recommandation, couvrant les taxonomies essentielles.
Vous apprendrez à utiliser Python pour évaluer des ensembles de données basés sur les évaluations des utilisateurs, les choix, les genres et les années de sortie. Des approches pratiques vous aideront à construire des techniques de filtrage collaboratif et basées sur le contenu. Au fur et à mesure que vous progressez, vous couvrirez les concepts nécessaires pour les systèmes de recommandation appliqués et les modèles d'apprentissage automatique, avec des projets inclus pour une expérience pratique. Les apprentissages clés comprennent les bases intégrées à l'IA, la taxonomie, l'overfitting, l'underfitting, le biais, la variance, et la construction de systèmes basés sur le contenu et les éléments avec ML et Python, y compris les moteurs basés sur KNN. Le cours est adapté aux débutants et à ceux qui ont une certaine expérience de la programmation, dans le but d'améliorer les compétences en ML et de construire des systèmes de recommandation personnalisés. Aucune connaissance préalable des systèmes de recommandation, de la ML, de l'analyse de données ou des mathématiques n'est nécessaire, seulement des bases de Python. À la fin du cours, vous ferez le lien entre les théories et divers domaines, mettrez en œuvre des modèles de ML pour des systèmes de recommandation du monde réel, et les évaluerez.
