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.
Ce cours fait partie de la Spécialisation Systèmes de recommandation
13 279 déjà inscrits
Offert par
Spécialisation Systèmes de recommandationUniversité du MinnesotaÀ propos de ce cours
4 279 consultations récentes
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Certificat partageable
Obtenez un Certificat lorsque vous terminez
100 % en ligne
Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Cours 2 sur 5 dans le
Approx. 15 heures pour terminer
Anglais
Sous-titres : Français, Portugais (européen), Russe, Anglais, Espagnol
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Certificat partageable
Obtenez un Certificat lorsque vous terminez
100 % en ligne
Commencez dès maintenant et apprenez aux horaires qui vous conviennent.
Cours 2 sur 5 dans le
Approx. 15 heures pour terminer
Anglais
Sous-titres : Français, Portugais (européen), Russe, Anglais, Espagnol
Offert par
Université du 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.
Programme de cours : ce que vous apprendrez dans ce cours
13 minutes pour terminer
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 minutes pour terminer
1 vidéo (Total 3 min), 1 lecture
1 heure pour terminer
User-User Collaborative Filtering Recommenders Part 1
1 heure pour terminer
5 vidéos (Total 85 min)
5 heures pour terminer
User-User Collaborative Filtering Recommenders Part 2
5 heures pour terminer
2 vidéos (Total 13 min), 2 lectures, 3 quiz
1 heure pour terminer
Item-Item Collaborative Filtering Recommenders Part 1
1 heure pour terminer
6 vidéos (Total 70 min)
6 heures pour terminer
Item-Item Collaborative Filtering Recommenders Part 2
6 heures pour terminer
2 vidéos (Total 10 min), 2 lectures, 5 quiz
2 heures pour terminer
Advanced Collaborative Filtering Topics
2 heures pour terminer
5 vidéos (Total 73 min)
Avis
- 5 stars53,87 %
- 4 stars28,95 %
- 3 stars11,78 %
- 2 stars2,35 %
- 1 star3,03 %
Meilleurs avis pour NEAREST NEIGHBOR COLLABORATIVE FILTERING
par HL7 juil. 2019
Great learning experience about collaborative filtering!
par EM24 oct. 2016
Very good content ! Very interesting interviews with expert in the field that shows real examples. However the exercise needs a bit more work to be very useful.
par AD2 août 2017
Loved it...many thanks Prof. Joe for bringing this content to Coursera
par JR18 juil. 2021
Very good course, but the quiz on Week 4 is unclear
À propos du Spécialisation Systèmes de recommandation
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.
Foire Aux Questions
Quand aurai-je accès aux vidéos de cours et aux devoirs ?
À quoi ai-je droit si je m'abonne à cette Spécialisation ?
Une aide financière est-elle possible ?
D'autres questions ? Visitez le Centre d'Aide pour les Étudiants.
