Dieser Kurs ist Teil der Spezialisierung Spezialisierung Empfehlungsdienste

4.5
Sterne
626 Bewertungen

89 %

Joseph A Konstan +1 weiterer Dozent

35.362 bereits angemeldet

von

Spezialisierung EmpfehlungsdiensteUniversity of Minnesota

Über diesen Kurs

9.891 kürzliche Aufrufe

This course, which is designed to serve as the first course in the Recommender Systems specialization, introduces the concept of recommender systems, reviews several examples in detail, and leads you through non-personalized recommendation using summary statistics and product associations, basic stereotype-based or demographic recommendations, and content-based filtering recommendations. 
After completing this course, you will be able to compute a variety of recommendations from datasets using basic spreadsheet tools, and if you complete the honors track you will also have programmed these recommendations using the open source LensKit recommender toolkit.  

In addition to detailed lectures and interactive exercises, this course features interviews with several leaders in research and practice on advanced topics and current directions in recommender systems.

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.

Coursera-Labore

Enthält praktische Lernprojekte.

Hier finden Sie weitere Informationen zu Coursera-Laboren

Kurs 1 von 5 in

Spezialisierung Empfehlungsdienste

Stufe „Mittel“

Ca. 23 Stunden zum Abschließen

Englisch

Könnte Ihr Unternehmen von Mitarbeiterweiterbildungen für gefragte Kompetenzen profitieren?

Probieren Sie Coursera for Business aus

Kompetenzen, die Sie erwerben

Summary Statistics
Term Frequency Inverse Document Frequency (TF-IDF)
Microsoft Excel
Recommender Systems

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.

Coursera-Labore

Enthält praktische Lernprojekte.

Hier finden Sie weitere Informationen zu Coursera-Laboren

Kurs 1 von 5 in

Spezialisierung Empfehlungsdienste

Stufe „Mittel“

Ca. 23 Stunden zum Abschließen

Englisch

Könnte Ihr Unternehmen von Mitarbeiterweiterbildungen für gefragte Kompetenzen profitieren?

Probieren Sie Coursera for Business aus

Dozenten

Dozentenbewertung

4,62/5 (57 Bewertungen)

Joseph A Konstan

Distinguished McKnight Professor and Distinguished University Teaching Professor

Computer Science and Engineering

192.025 Lernende

11 Kurse

Michael D. Ekstrand

Assistant Professor

Dept. of Computer Science, Boise State University

105.196 Lernende

6 Kurse

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.

Erfahren Sie, wie Mitarbeiter führender Unternehmen gefragte Kompetenzen erwerben.

Weitere Informationen zu Coursera für Unternehmen

Lehrplan - Was Sie in diesem Kurs lernen werden

Inhaltsbewertung89%(2,283 Bewertungen)

Woche1

Woche 1

1 Stunde zum Abschließen

Preface

1 Stunde zum Abschließen

2 Videos (Gesamt 41 min), 1 Lektüre

4 Stunden zum Abschließen

Introducing Recommender Systems

This module introduces recommender systems in more depth. It includes a detailed taxonomy of the types of recommender systems, and also includes tours of two systems heavily dependent on recommender technology: MovieLens and Amazon.com. There is an introductory assessment in the final lesson to ensure that you understand the core concepts behind recommendations before we start learning how to compute them.

4 Stunden zum Abschließen

9 Videos (Gesamt 147 min), 2 Lektüren, 2 Quiz

9 Videos

Movielens Tour6mPreferences and Ratings17mPredictions and Recommendations16mTaxonomy of Recommenders I27mTaxonomy of Recommenders II21mTour of Amazon.com21mRecommender Systems: Past, Present and Future16mIntroducing the Honors Track7mHonors: Setting up the development environment10m

2 Lektüren

About the Honors Track10mDownloads and Resources10m

2 praktische Übungen

Closing Quiz: Introducing Recommender Systems20mHonors Track Pre-Quiz30m

Woche2

Woche 2

10 Stunden zum Abschließen

Non-Personalized and Stereotype-Based Recommenders

10 Stunden zum Abschließen

7 Videos (Gesamt 111 min), 5 Lektüren, 9 Quiz

7 Videos

Non-Personalized and Stereotype-Based Recommenders7mSummary Statistics I16mSummary Statistics II22mDemographics and Related Approaches13mProduct Association Recommenders19mAssignment #1 Intro Video14mAssignment Intro: Programming Non-Personalized Recommenders17m

5 Lektüren

External Readings on Ranking and Scoring10mAssignment 1 Instructions: Non-Personalized and Stereotype-Based Recommenders10mAssignment Intro: Programming Non-Personalized Recommenders10mLensKit Resources10mRating Data Information10m

8 praktische Übungen

Assignment #1: Response #1: Top Movies by Mean Rating30mAssignment #1: Response #2: Top Movies by Count30mAssignment #1: Response #3: Top Movies by Percent Liking30mAssignment #1: Response #4: Association with Toy Story30mAssignment #1: Response #5: Correlation with Toy Story30mAssignment #1: Response #6: Male-Female Differences in Average Rating30mAssignment #1: Response #7: Male-Female differences in Liking30mNon-Personalized Recommenders20m

Woche3

Woche 3

3 Stunden zum Abschließen

Content-Based Filtering -- Part I

3 Stunden zum Abschließen

8 Videos (Gesamt 156 min)

8 Videos

Introduction to Content-Based Recommenders23mTFIDF and Content Filtering24mContent-Based Filtering: Deeper Dive26mEntree Style Recommenders -- Robin Burke Interview13mCase-Based Reasoning -- Interview with Barry Smyth13mDialog-Based Recommenders -- Interview with Pearl Pu21mSearch, Recommendation, and Target Audiences -- Interview with Sole Pera11mBeyond TFIDF -- Interview with Pasquale Lops21m

Woche4

Woche 4

6 Stunden zum Abschließen

Content-Based Filtering -- Part II

6 Stunden zum Abschließen

2 Videos (Gesamt 26 min), 3 Lektüren, 3 Quiz

1 Stunde zum Abschließen

Course Wrap-up

1 Stunde zum Abschließen

2 Videos (Gesamt 45 min), 1 Lektüre

Bewertungen

4.5

134 Bewertungen

5 stars
60,76 %
4 stars
29,50 %
3 stars
6,22 %
2 stars
1,75 %
1 star
1,75 %

Top-Bewertungen von INTRODUCTION TO RECOMMENDER SYSTEMS: NON-PERSONALIZED AND CONTENT-BASED

von AR25. Juni 2017

An excellent in-depth introduction into the concepts around recommendation systems!

von AR29. Aug. 2020

Great intro to recommendation systems, the course is well structured and engaging to all students of different backgrounds.

von LL18. Sep. 2022

Please update the specialization, it's 2022, and the course slides are from 2016.

von KR8. Okt. 2017

Well-designed assignments and instructive programming exercises in the honors track.

Alle Bewertungen anzeigen

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?
Der Zugang zu Vorlesungen und Aufgaben hängt von der Art Ihrer Anmeldung ab. Wenn Sie einen Kurs im Gastmodus belegen, können Sie die meisten Kursmaterialien kostenlos einsehen. Um auf benotete Aufgaben zuzugreifen und ein Zertifikat zu erhalten, müssen Sie während oder nach Ihrer Gastphase das Zertifikat erwerben. Wenn Sie die Gastoption nicht sehen:
Der Kurs bietet möglicherweise keine Gastoption an. Sie können stattdessen eine kostenlose Testversion ausprobieren oder finanzielle Unterstützung beantragen.
Der Kurs kann stattdessen "Vollständiger Kurs ohne Zertifikat" anbieten. Mit dieser Option können Sie alle Kursmaterialien einsehen, die erforderlichen Aufgaben einreichen und eine Endnote erhalten. Dies bedeutet auch, dass Sie kein Zertifikat erwerben können.
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.
Ist finanzielle Unterstützung möglich?
Ja. Für ausgewählte Lernprogramme können Sie finanzielle Unterstützung oder ein Stipendium beantragen, wenn Sie sich die Anmeldegebühr nicht leisten können. Wenn für das von Ihnen gewählte Lernprogramm finanzielle Unterstützung oder ein Stipendium verfügbar ist, wird auf der Beschreibungsseite ein Link zu einem solchen Antrag angezeigt.
How does this course relate to the prior versions of "Introduction to Recommender Systems"?
This specialization is a substantial extension and update of our original introductory course. It involves about 60% new and extended lectures and mostly new assignments and assessments. This course specifically has added material on stereotyped and demographic recommenders and on advanced techniques in content-based recommendation.

Haben Sie weitere Fragen? Besuchen Sie das Learner Help Center.

Fördern Sie Mitarbeiterkompetenzen für bessere Geschäftsergebnisse

Entdecken Sie Coursera für Unternehmen

Introduction to Recommender Systems: Non-Personalized and Content-Based

Über diesen Kurs

Kompetenzen, die Sie erwerben