Ce cours fait partie de la Spécialisation Systèmes de recommandation

4.5
étoiles
626 évaluations

89 %

Joseph A Konstan +1 enseignant de plus

35 060 déjà inscrits

Offert par

Spécialisation Systèmes de recommandationUniversité du Minnesota

À propos de ce cours

9 972 consultations récentes

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.

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 1 sur 5 dans le

Spécialisation Systèmes de recommandation

Niveau intermédiaire

Approx. 23 heures pour terminer

Anglais

Votre entreprise pourrait-elle bénéficier de la formation des employés à des compétences recherchées ?

Essayez Coursera pour les affaires

Compétences que vous acquerrez

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

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 1 sur 5 dans le

Spécialisation Systèmes de recommandation

Niveau intermédiaire

Approx. 23 heures pour terminer

Anglais

Votre entreprise pourrait-elle bénéficier de la formation des employés à des compétences recherchées ?

Essayez Coursera pour les affaires

Enseignants

Évaluation de l'enseignant

4,62/5 (57 évaluations)

Joseph A Konstan

Distinguished McKnight Professor and Distinguished University Teaching Professor

Computer Science and Engineering

190 373 étudiants

11 cours

Michael D. Ekstrand

Assistant Professor

Dept. of Computer Science, Boise State University

104 851 étudiants

6 cours

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.

Découvrez comment les employés des entreprises prestigieuses maîtrisent des compétences recherchées

En savoir plus sur Coursera pour les affaires

Programme de cours : ce que vous apprendrez dans ce cours

Évaluation du contenu89%(2,279 évaluations)

Semaine

Semaine 1

1 heure pour terminer

Preface

1 heure pour terminer

2 vidéos (Total 41 min), 1 lecture

4 heures pour terminer

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 heures pour terminer

9 vidéos (Total 147 min), 2 lectures, 2 quiz

9 vidéos

Movielens Tour6 min

Preferences and Ratings17 min

Predictions and Recommendations16 min

Taxonomy of Recommenders I27 min

Taxonomy of Recommenders II21 min

Tour of Amazon.com21 min

Recommender Systems: Past, Present and Future16 min

Introducing the Honors Track7 min

Honors: Setting up the development environment10 min

2 lectures

About the Honors Track10 min

Downloads and Resources10 min

2 exercices pour s'entraîner

Closing Quiz: Introducing Recommender Systems20 min

Honors Track Pre-Quiz30 min

Semaine

Semaine 2

10 heures pour terminer

Non-Personalized and Stereotype-Based Recommenders

10 heures pour terminer

7 vidéos (Total 111 min), 5 lectures, 9 quiz

7 vidéos

Non-Personalized and Stereotype-Based Recommenders7 min

Summary Statistics I16 min

Summary Statistics II22 min

Demographics and Related Approaches13 min

Product Association Recommenders19 min

Assignment #1 Intro Video14 min

Assignment Intro: Programming Non-Personalized Recommenders17 min

5 lectures

External Readings on Ranking and Scoring10 min

Assignment 1 Instructions: Non-Personalized and Stereotype-Based Recommenders10 min

Assignment Intro: Programming Non-Personalized Recommenders10 min

LensKit Resources10 min

Rating Data Information10 min

8 exercices pour s'entraîner

Assignment #1: Response #1: Top Movies by Mean Rating30 min

Assignment #1: Response #2: Top Movies by Count30 min

Assignment #1: Response #3: Top Movies by Percent Liking30 min

Assignment #1: Response #4: Association with Toy Story30 min

Assignment #1: Response #5: Correlation with Toy Story30 min

Assignment #1: Response #6: Male-Female Differences in Average Rating30 min

Assignment #1: Response #7: Male-Female differences in Liking30 min

Non-Personalized Recommenders20 min

Semaine

Semaine 3

3 heures pour terminer

Content-Based Filtering -- Part I

3 heures pour terminer

8 vidéos (Total 156 min)

8 vidéos

Introduction to Content-Based Recommenders23 min

TFIDF and Content Filtering24 min

Content-Based Filtering: Deeper Dive26 min

Entree Style Recommenders -- Robin Burke Interview13 min

Case-Based Reasoning -- Interview with Barry Smyth13 min

Dialog-Based Recommenders -- Interview with Pearl Pu21 min

Search, Recommendation, and Target Audiences -- Interview with Sole Pera11 min

Beyond TFIDF -- Interview with Pasquale Lops21 min

Semaine

Semaine 4

6 heures pour terminer

Content-Based Filtering -- Part II

6 heures pour terminer

2 vidéos (Total 26 min), 3 lectures, 3 quiz

1 heure pour terminer

Course Wrap-up

1 heure pour terminer

2 vidéos (Total 45 min), 1 lecture

Avis

4.5

134 avis

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

Meilleurs avis pour INTRODUCTION TO RECOMMENDER SYSTEMS: NON-PERSONALIZED AND CONTENT-BASED

par PM19 déc. 2022

Well designed introduction to the formal concepts and analysis of Recommender systems

par PS10 déc. 2016

As a software engineer with computer science background I found that course enhancing my knowledge. I'm going to continue the specialization.

par LL18 sept. 2022

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

par DP7 déc. 2017

Nice introduction to recommender systems for those who have never heard about it before. No complex mathematical formula (which can also be seen by some as a downside).

Voir tous les avis

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.

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.

Foire Aux Questions

Quand aurai-je accès aux vidéos de cours et aux devoirs ?
L’accès à des vidéos de cours et des devoirs dépend de votre type d’inscription. Si vous suivez un cours en mode auditeur libre, vous pourrez voir la plupart des contenus de cours gratuitement. Pour accéder aux devoirs notés et obtenir un certificat, vous devrez acheter une expérience de certificat, pendant ou après avoir assister au cours en tant qu’auditeur libre. Si vous ne visualisez pas l’option auditeur libre :
Il est possible que le cours ne propose pas d’option auditeur libre. Vous pouvez en revanche accéder à un essai gratuit ou faire une demande d'aide financière.
Le cours propose peut-être « Cours complet, aucun certificat » à la place. Cette option vous permet de voir tous les contenus de cours, de soumettre les évaluations requises et d'obtenir une note finale. Cependant, vous ne pourrez pas acheter une expérience de certificat.
À quoi ai-je droit si je m'abonne à cette Spécialisation ?
Lorsque vous vous inscrivez au cours, vous bénéficiez d'un accès à tous les cours de la Spécialisation, et vous obtenez un Certificat lorsque vous avez réussi. Votre Certificat électronique est alors ajouté à votre page Accomplissements. À partir de cette page, vous pouvez imprimer votre Certificat ou l'ajouter à votre profil LinkedIn. Si vous souhaitez seulement lire et visualiser le contenu du cours, vous pouvez accéder gratuitement au cours en tant qu'auditeur libre.
Une aide financière est-elle possible ?
Oui. Dans certains programmes d’apprentissage, vous pouvez demander une aide financière ou une bourse d’études si vous ne pouvez pas payer les frais d’inscription. Si une aide financière ou une bourse d’études est disponible pour le programme d’apprentissage choisi, vous trouverez un lien pour faire une demande sur la page de description.
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.

D'autres questions ? Visitez le Centre d'Aide pour les Étudiants.

Développez les compétences de vos employés, obtenez des résultats commerciaux

Découvrez Coursera pour les affaires

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

À propos de ce cours

Compétences que vous acquerrez