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
13.276 bereits angemeldet
von
Spezialisierung EmpfehlungsdiensteUniversity of MinnesotaÜber diesen Kurs
4.135 kürzliche Aufrufe
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Kurs 2 von 5 in
Ca. 15 Stunden zum Abschließen
Englisch
Untertitel: Französisch, Portugiesisch (europäisch), Russisch, Englisch, Spanisch
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Kurs 2 von 5 in
Ca. 15 Stunden zum Abschließen
Englisch
Untertitel: Französisch, Portugiesisch (europäisch), Russisch, Englisch, Spanisch
von
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.
Lehrplan - Was Sie in diesem Kurs lernen werden
13 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.
13 Minuten zum Abschließen
1 Video (Gesamt 3 min), 1 Lektüre
1 Stunde zum Abschließen
User-User Collaborative Filtering Recommenders Part 1
1 Stunde zum Abschließen
5 Videos (Gesamt 85 min)
5 Stunden zum Abschließen
User-User Collaborative Filtering Recommenders Part 2
5 Stunden zum Abschließen
2 Videos (Gesamt 13 min), 2 Lektüren, 3 Quiz
1 Stunde zum Abschließen
Item-Item Collaborative Filtering Recommenders Part 1
1 Stunde zum Abschließen
6 Videos (Gesamt 70 min)
6 Stunden zum Abschließen
Item-Item Collaborative Filtering Recommenders Part 2
6 Stunden zum Abschließen
2 Videos (Gesamt 10 min), 2 Lektüren, 5 Quiz
2 Stunden zum Abschließen
Advanced Collaborative Filtering Topics
2 Stunden zum Abschließen
5 Videos (Gesamt 73 min)
Bewertungen
- 5 stars53,87 %
- 4 stars28,95 %
- 3 stars11,78 %
- 2 stars2,35 %
- 1 star3,03 %
Top-Bewertungen von NEAREST NEIGHBOR COLLABORATIVE FILTERING
von PS7. Jan. 2017
I love it. Would be cool to be able download all materials in one big .zip file (e.g for searching using grep) ;-)
von LL19. Juli 2017
a great class, I learned some insight in these algorithms
von AD2. Aug. 2017
Loved it...many thanks Prof. Joe for bringing this content to Coursera
von CJ16. Juli 2017
Very good course, there is a glaring error in Week 4s assignment. But if you check the forums it can be easily solved
Über den Spezialisierung Empfehlungsdienste
A Recommender System is a process that seeks to predict user preferences. This Specialization covers all the fundamental techniques in recommender systems, from non-personalized and project-association recommenders through content-based and collaborative filtering techniques, as well as advanced topics like matrix factorization, hybrid machine learning methods for recommender systems, and dimension reduction techniques for the user-product preference space.
Häufig gestellte Fragen
Wann erhalte ich Zugang zu den Vorträgen und Aufgaben?
Was bekomme ich, wenn ich diese Spezialisierung abonniere?
Ist finanzielle Unterstützung möglich?
Haben Sie weitere Fragen? Besuchen Sie das Learner Help Center.
