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.
Ce cours fait partie de la Spécialisation Systèmes de recommandation
Offert par
Spécialisation Systèmes de recommandationUniversité du MinnesotaÀ propos de ce cours
27,233 consultations récentes
Résultats de carrière des étudiants
60%
ont commencé une nouvelle carrière après avoir terminé ce cours
40%
ont bénéficié d'un avantage concret dans leur carrières grâce à ce cours
12%
a obtenu une augmentation de salaire ou une promotion
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
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Niveau intermédiaire
Approx. 20 heures pour terminer
Anglais
Sous-titres : Anglais
Compétences que vous acquerrez
Summary StatisticsTerm Frequency Inverse Document Frequency (TF-IDF)Microsoft ExcelRecommender Systems
Résultats de carrière des étudiants
60%
ont commencé une nouvelle carrière après avoir terminé ce cours
40%
ont bénéficié d'un avantage concret dans leur carrières grâce à ce cours
12%
a obtenu une augmentation de salaire ou une promotion
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
Dates limites flexibles
Réinitialisez les dates limites selon votre disponibilité.
Niveau intermédiaire
Approx. 20 heures pour terminer
Anglais
Sous-titres : Anglais
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 du cours : ce que vous apprendrez dans ce cours
1 heure pour terminer
Preface
This brief module introduces the topic of recommender systems (including placing the technology in historical context) and provides an overview of the structure and coverage of the course and specialization.
1 heure pour terminer
2 vidéos (Total 41 min), 1 lecture
1 lecture
Notes on Course Design and Relationship to Prior Courses10 min
3 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.
3 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-Quiz2 min
7 heures pour terminer
Non-Personalized and Stereotype-Based Recommenders
In this module, you will learn several techniques for non- and lightly-personalized recommendations, including how to use meaningful summary statistics, how to compute product association recommendations, and how to explore using demographics as a means for light personalization. There is both an assignment (trying out these techniques in a spreadsheet) and a quiz to test your comprehension.
7 heures pour terminer
7 vidéos (Total 111 min), 5 lectures, 9 quiz
7 vidéos
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 Rating10 min
Assignment #1: Response #2: Top Movies by Count10 min
Assignment #1: Response #3: Top Movies by Percent Liking10 min
Assignment #1: Response #4: Association with Toy Story10 min
Assignment #1: Response #5: Correlation with Toy Story10 min
Assignment #1: Response #6: Male-Female Differences in Average Rating10 min
Assignment #1: Response #7: Male-Female differences in Liking8 min
Non-Personalized Recommenders20 min
3 heures pour terminer
Content-Based Filtering -- Part I
The next topic in this course is content-based filtering, a technique for personalization based on building a profile of personal interests. Divided over two weeks, you will learn and practice the basic techniques for content-based filtering and then explore a variety of advanced interfaces and content-based computational techniques being used in recommender systems.
3 heures pour terminer
8 vidéos (Total 156 min)
8 vidéos
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
6 heures pour terminer
Content-Based Filtering -- Part II
The assessments for content-based filtering include an assignment where you compute three types of profile and prediction using a spreadsheet and a quiz on the topics covered. The assignment is in three parts -- a written assignment, a video intro, and a "quiz" where you provide answers from your work to be automatically graded.
6 heures pour terminer
2 vidéos (Total 26 min), 3 lectures, 3 quiz
2 vidéos
Honors: Intro to programming assignment10 min
3 lectures
Content-Based Recommenders Spreadsheet Assignment (aka Assignment #2)1h 20min
Tools for Content-Based Filtering10 min
CBF Programming Intro10 min
2 exercices pour s'entraîner
Assignment #2 Answer Form20 min
Content-Based Filtering20 min
1 heure pour terminer
Course Wrap-up
We close this course with a set of mathematical notation that will be helpful as we move forward into a wider range of recommender systems (in later courses in this specialization).
1 heure pour terminer
2 vidéos (Total 45 min), 1 lecture
2 vidéos
Psychology of Preference & Rating -- Interview with Martijn Willemsen31 min
1 lecture
Related Readings10 min
Avis
Meilleurs avis pour INTRODUCTION TO RECOMMENDER SYSTEMS: NON-PERSONALIZED AND CONTENT-BASED
par BS12 févr. 2019
One of the best courses I have taken on Coursera. Choosing Java for the lab exercises makes them inaccessible for many data scientists. Consider providing a Python version.
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).
par IP18 sept. 2016
it's a fantastic course that gives you a good idea of what the objectives of recommender systems are and some intuition on the way how it can be accomplished.
par NA6 avr. 2020
The course and its content was quite interesting and easy, so I will be taking the next course in this specialization of Recommender System Specialization
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.
Quelle est la politique de remboursement ?
Si vous vous abonnez, vous bénéficiez d'une période d'essai gratuite de 7 jours, durant laquelle vous pouvez annuler votre abonnement sans pénalité. Ensuite, nous n'accordons plus de remboursements, mais vous pouvez annuler votre abonnement à tout instant. Consultez notre politique de remboursement complète.
Une aide financière est-elle possible ?
Oui, Coursera offre une Aide Financière aux étudiants qui n'ont pas les moyens d'acquitter les frais. Demandez-la en cliquant sur le lien Aide Financière sous le bouton S'inscrire situé à gauche. Vous devrez remplir un formulaire de demande et vous serez averti(e) si elle est acceptée. Vous devrez répéter cette procédure pour chaque cours de la Spécialisation, y compris pour le Projet Final. En savoir plus.
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.
Puis-je obtenir des crédits universitaires si je réussis le Cours ?
Ce Cours n'est pas associé à des crédits universitaires, mais certaines universités peuvent décider d'accepter des Certificats de Cours pour des crédits. Vérifiez-le auprès de votre établissement pour en savoir plus. Les Diplômes en ligne et les Certificats Mastertrack™ sur Coursera apportent la possibilité d'obtenir des crédits universitaires.
D'autres questions ? Visitez le Centre d'Aide pour les Etudiants.
