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.
Dieser Kurs ist Teil der Spezialisierung Spezialisierung Empfehlungsdienste
Nearest Neighbor Collaborative Filtering
von
Lehrplan - Was Sie in diesem Kurs lernen werden
Woche
113 Minuten zum Abschließen
Preface
Note that this course is structured into two-week chunks. The first chunk focuses on User-User Collaborative Filtering; the second chunk on Item-Item Collaborative Filtering. Each chunk has most of the lectures in the first week, and assignments/quizzes and advanced topics in the second week. We encourage learners to treat each two-week chunk as one unit, starting the assignments as soon as they feel they have learned enough to get going.
1 Video (Gesamt 3 min), 1 Lektüre
1 Video
1 Lektüre
Course Structure Outline10m
1 Stunde zum Abschließen
User-User Collaborative Filtering Recommenders Part 1
5 Videos (Gesamt 85 min)
5 Videos
Trust-Based Recommendation; Interview with Jen Golbeck15m
Impact of Bad Ratings; Interview with Dan Cosley13m
Woche
25 Stunden zum Abschließen
User-User Collaborative Filtering Recommenders Part 2
2 Videos (Gesamt 13 min), 2 Lektüren, 3 Quiz
2 Lektüren
Assignment Instructions: User-User CF10m
Introducing User-User CF Programming Assignment10m
2 praktische Übungen
User-User CF Answer Sheet48m
User-User Collaborative Filtering Quiz20m
Woche
31 Stunde zum Abschließen
Item-Item Collaborative Filtering Recommenders Part 1
6 Videos (Gesamt 70 min)
6 Videos
Item-Item Hybrids and Extensions4m
Strengths and Weaknesses of Item-Item Collaborative Filtering9m
Interview with Brad Miller16m
Woche
44 Stunden zum Abschließen
Item-Item Collaborative Filtering Recommenders Part 2
2 Videos (Gesamt 10 min), 2 Lektüren, 5 Quiz
2 Lektüren
Item-Based CF Assignment Instructions10m
Introducing Item-Item CF Programming Assignment10m
4 praktische Übungen
Item Based Assignment Part l10m
Item Based Assignment Part II10m
Item Based Assignment Part III10m
Item Based Assignment Part IV10m
2 Stunden zum Abschließen
Advanced Collaborative Filtering Topics
5 Videos (Gesamt 73 min), 1 Quiz
5 Videos
Explanations16m
Explanations, Part II: Interview with Nava Tintarev17m
1 praktische Übung
Item-Based and Advanced Collaborative Filtering Topics Quiz20m
Top reviews from Nearest Neighbor Collaborative Filtering
Thank you so very much to open my eye see more view of recommendation field not only algorithms but use case and many trouble-shooting in worldwide business, moreover interview with noble professor.
Extremely informative course! It would be great if the assignments are created on python or R in the next season's offering. Thanks for the knowledge!
Dozenten
Joseph A Konstan
Distinguished McKnight Professor and Distinguished University Teaching ProfessorComputer Science and Engineering
Michael D. Ekstrand
Assistant ProfessorDept. of Computer Science, Boise State University
Über 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.
Über die Spezialisierung Empfehlungsdienste
This Specialization covers all the fundamental techniques in recommender systems, from non-personalized and project-association recommenders through content-based and collaborative techniques. Designed to serve both the data mining expert and the data literate marketing professional, the courses offer interactive, spreadsheet-based exercises to master different algorithms along with an honors track where learners can go into greater depth using the LensKit open source toolkit. A Capstone Project brings together the course material with a realistic recommender design and analysis project.
Häufig gestellte Fragen
Wann erhalte ich Zugang zu den Vorträgen und Aufgaben?
Sobald Sie sich für ein Zertifikat angemeldet haben, haben Sie Zugriff auf alle Videos, Quizspiele und Programmieraufgaben (falls zutreffend). Aufgaben, die von anderen Kursteilnehmern bewertet werden, können erst dann eingereicht und überprüft werden, wenn Ihr Unterricht begonnen hat. Wenn Sie sich den Kurs anschauen möchten, ohne ihn zu kaufen, können Sie womöglich auf bestimmte Aufgaben nicht zugreifen.
Was bekomme ich, wenn ich diese Spezialisierung abonniere?
Wenn Sie sich für den Kurs anmelden, erhalten Sie Zugriff auf alle Kurse der Spezialisierung und Sie erhalten nach Abschluss aller Arbeiten ein Zertifikat. Ihr elektronisches Zertifikat wird zu Ihrer Seite „Errungenschaften“ hinzugefügt – von dort können Sie Ihr Zertifikat ausdrucken oder es zu Ihrem LinkedIn Profil hinzufügen. Wenn Sie nur lesen und den Inhalt des Kurses anzeigen möchten, können Sie kostenlos als Gast an dem Kurs teilnehmen.
Wie erfolgen Rückerstattungen?
Ist finanzielle Unterstützung möglich?
Haben Sie weitere Fragen? Besuchen Sie das Hilfe-Center für Teiln..
Coursera arbeitet mit erstklassigen Universitäten und Organisationen zusammen, um Online-Kurse anzubieten und dadurch universellen Zugriff auf die weltweit beste Ausbildung zu ermöglichen.
© 2019 Coursera Inc. Alle Rechte vorbehalten.
