In this course you will learn a variety of matrix factorization and hybrid machine learning techniques for recommender systems. Starting with basic matrix factorization, you will understand both the intuition and the practical details of building recommender systems based on reducing the dimensionality of the user-product preference space. Then you will learn about techniques that combine the strengths of different algorithms into powerful hybrid recommenders.
Dieser Kurs ist Teil der Spezialisierung Spezialisierung Empfehlungsdienste
Matrix Factorization and Advanced Techniques
von
Lehrplan - Was Sie in diesem Kurs lernen werden
Woche
14 Minuten zum Abschließen
Preface
1 Video (Gesamt 4 min)
Woche
21 Stunde zum Abschließen
Matrix Factorization (Part 1)
This is a two-part, two-week module on matrix factorization recommender techniques. It includes an assignment and quiz (both due in the second week), and an honors assignment (also due in the second week). Please pace yourself carefully -- it will be difficult to finish in two weeks unless you start the assignments during the first week.
5 Videos (Gesamt 70 min), 1 Lektüre
5 Videos
Singular Value Decomposition17m
Gradient Descent Techniques17m
Deriving FunkSVD11m
Probabilistic Matrix Factorization10m
1 Lektüre
On Folding-In with Gradient Descent10m
Woche
34 Stunden zum Abschließen
Matrix Factorization (Part 2)
2 Videos (Gesamt 15 min), 2 Lektüren, 6 Quiz
2 Lektüren
Assignment Instructions10m
Intro - Programming Matrix Factorization10m
5 praktische Übungen
Matrix Factorization Assignment Part l10m
Matrix Factorization Assignment Part ll10m
Matrix Factorization Assignment Part lll10m
Matrix Factorization Quiz8m
SVD Programming Eval Quiz6m
Woche
42 Stunden zum Abschließen
Hybrid Recommenders
This is a three-part, two-week module on hybrid and machine learning recommendaton algorithms and advanced recommender techniques. It includes a quiz (due in the second week), and an honors assignment (also due in the second week). Please pace yourself carefully -- it will be difficult to finish the honors track in two weeks unless you start the assignments during the first week.
6 Videos (Gesamt 96 min)
6 Videos
Hybrids with Robin Burke16m
Hybridization through Matrix Factorization15m
Matrix Factorization Hybrids with George Karypis17m
Interview with Arindam Banerjee15m
Interview with Yehuda Koren22m
Woche
523 Minuten zum Abschließen
Advanced Machine Learning
3 Videos (Gesamt 23 min)
3 Videos
Learning to Rank: Interview with Xavier Amatriain21
Personalized Ranking (with Daniel Kluver)11m
Woche
66 Stunden zum Abschließen
Advanced Topics
7 Videos (Gesamt 133 min), 1 Lektüre, 3 Quiz
7 Videos
Context-Aware Recommendation II: Interview with Bamshad Mobasher (Part 1)22m
Context-Aware Recommendation II: Interview with Bamshad Mobasher (Part 2)18m
Industry Practical Issues: Inteview with Anmol Bhasin26m
Recommending Music - Interview with Paul Lamere13m
Specialization Wrap Up21m
Programming Hybrids & Learning to Rank9m
1 Lektüre
Programming Hybrids and Machine Learning Description10m
2 praktische Übungen
Hybrid and Advanced Techniques Quiz12m
Honors Hybrid Assignment Evaluation Quiz10m
50%
ziehen Sie für Ihren Beruf greifbaren Nutzen aus diesem Kurs
Top-Bewertungen
great courses! They invite a lot of interviews to let me understand the sea of recommend system!
Awesome course especially for those doing Ph.D in recommender systems
Dozenten
Michael D. Ekstrand
Assistant ProfessorDept. of Computer Science, Boise State University
Joseph A Konstan
Distinguished McKnight Professor and Distinguished University Teaching ProfessorComputer Science and Engineering
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.
