In diesem Kurs lernen Sie die grundlegenden Techniken zur Erstellung von personalisierten Empfehlungen durch Nearest-Neighbor-Techniken kennen. Zunächst lernen Sie das User-User Collaborative Filtering kennen, einen Algorithmus, der andere Personen mit ähnlichen Vorlieben wie ein Zielbenutzer identifiziert und deren Bewertungen kombiniert, um Empfehlungen für diesen Benutzer zu erstellen. Sie werden Variationen des User-User-Algorithmus erkunden und implementieren und die Vor- und Nachteile des allgemeinen Ansatzes untersuchen. Anschließend lernen Sie den weit verbreiteten Item-Item Collaborative Filtering Algorithmus kennen, der globale Produktassoziationen anhand von Nutzerbewertungen identifiziert, aber diese Produktassoziationen nutzt, um personalisierte Empfehlungen auf der Grundlage der eigenen Produktbewertungen eines Nutzers zu geben.

In diesem Kurs lernen Sie, wie Sie Empfehlungssysteme bewerten können. Sie werden sich mit verschiedenen Metriken vertraut machen, darunter solche zur Messung der Vorhersagegenauigkeit, der Ranggenauigkeit, der Entscheidungsunterstützung und anderer Faktoren wie Vielfalt, Produktabdeckung und Serendipität. Sie werden lernen, wie sich die verschiedenen Metriken auf unterschiedliche Benutzer- und Unternehmensziele beziehen. Sie werden auch lernen, wie man Offline-Evaluierungen rigoros durchführt (d.h. wie man Daten vorbereitet und Stichproben nimmt und wie man die Ergebnisse zusammenfasst). Und Sie lernen etwas über die (experimentelle) Online-Evaluierung. Am Ende dieses Kurses verfügen Sie über das nötige Handwerkszeug, um verschiedene Alternativen für Empfehlungssysteme für eine Vielzahl von Anwendungen zu vergleichen.

In diesem Kurs lernen Sie eine Vielzahl von Techniken der Matrixfaktorisierung und des hybriden maschinellen Lernens für Empfehlungssysteme kennen. Beginnend mit der grundlegenden Matrixfaktorisierung werden Sie sowohl die Intuition als auch die praktischen Details des Aufbaus von Empfehlungssystemen verstehen, die auf der Verringerung der Dimensionalität des Präferenzraums zwischen Nutzer und Produkt basieren. Anschließend lernen Sie Techniken kennen, die die Stärken verschiedener Algorithmen zu leistungsstarken hybriden Empfehlungssystemen kombinieren.

Dieser Abschlusskurs für die Specialization Recommender Systems fasst alles, was Sie über Algorithmen und Evaluierung von Empfehlungssystemen gelernt haben, in einem umfassenden Projekt zur Analyse und zum Design von Empfehlungssystemen zusammen. Sie erhalten eine Fallstudie, bei der Sie das Design eines Empfehlungssystems auswählen und durch die Analyse der Ziele des Empfehlungssystems und der Leistung des Algorithmus rechtfertigen müssen.

Die Teilnehmer des Honors-Tracks konzentrieren sich auf die experimentelle Evaluierung der Algorithmen anhand mittelgroßer Datensätze. Beide Gruppen erstellen einen Abschlussbericht, in dem die Analyse, die ausgewählte Lösung und die Begründung für diese Lösung dokumentiert werden.