In this course you will learn how to evaluate recommender systems. You will gain familiarity with several families of metrics, including ones to measure prediction accuracy, rank accuracy, decision-support, and other factors such as diversity, product coverage, and serendipity. You will learn how different metrics relate to different user goals and business goals. You will also learn how to rigorously conduct offline evaluations (i.e., how to prepare and sample data, and how to aggregate results). And you will learn about online (experimental) evaluation. At the completion of this course you will have the tools you need to compare different recommender system alternatives for a wide variety of uses.
Dieser Kurs ist Teil der Spezialisierung Spezialisierung Empfehlungsdienste
Recommender Systems: Evaluation and Metrics
von
Über diesen Kurs
32,544 kürzliche Aufrufe
Learner Career Outcomes
Learner Career Outcomes
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Kurs 3 von 5 in
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Ca. 9 Stunden zum Abschließen
Empfohlen: 9 hours/week
Englisch
Untertitel: Englisch
Lehrplan - Was Sie in diesem Kurs lernen werden
Woche
114 Minuten zum Abschließen
Preface
2 Videos (Gesamt 14 min)
2 Stunden zum Abschließen
Basic Prediction and Recommendation Metrics
5 Videos (Gesamt 57 min), 1 Lektüre, 1 Quiz
5 Videos
Prediction Accuracy Metrics12m
Decision Support Metrics16m
Rank-Aware Top-N Metrics18m
Assignment Intro Video2m
1 Lektüre
Metric Computation Assignment Instructions10m
1 praktische Übung
Basic Prediction and Recommendation Metrics Assignment42m
Woche
22 Stunden zum Abschließen
Advanced Metrics and Offline Evaluation
6 Videos (Gesamt 76 min), 1 Lektüre, 2 Quiz
6 Videos
Additional Item and List-Based Metrics18m
Experimental Protocols13m
Unary Data Evaluation11m
Temporal Evaluation of Recommenders (Interview with Neal Lathia)12m
Programming Assignment Introduction8m
1 Lektüre
Evaluating Recommenders10m
2 praktische Übungen
Offline Evaluation and Metrics Quiz22m
Programming Assignment Quiz28m
Woche
31 Stunde zum Abschließen
Online Evaluation
4 Videos (Gesamt 66 min), 1 Quiz
4 Videos
Usage Logs and Analysis10m
A/B Studies (Field Experiments)11m
User-Centered Evaluation (Interview with Bart Knijnenburg)25m
1 praktische Übung
Online Evaluation Quiz8m
Woche
41 Stunde zum Abschließen
Evaluation Design
3 Videos (Gesamt 31 min), 2 Lektüren, 1 Quiz
2 Lektüren
Intro to Assignment: Evaluation Design Cases10m
Quiz Debrief10m
1 praktische Übung
Assignment: Evaluation Design Cases12m
Top-Bewertungen von Recommender Systems: Evaluation and Metrics
Wonderful course provide realtime examples of the pros and cons of each approach and metric, very useful and enjoyable
wonderful!!! They teach a lot what I did not expect!
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 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.
This Specialization is designed to serve both the data mining expert who would want to implement techniques like collaborative filtering in their job, as well as the data literate marketing professional, who would want to gain more familiarity with these topics.
The courses offer interactive, spreadsheet-based exercises to master different algorithms, along with an honors track where you can go into greater depth using the LensKit open source toolkit.
By the end of this Specialization, you’ll be able to implement as well as evaluate recommender systems. The 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.
© 2020 Coursera Inc. Alle Rechte vorbehalten.
