مقدمه

سلام

قالب کوئرا کالج

سیستم امتیازدهی و دریافت گواهی

آماده‌سازی محیط توسعه

معرفی پایتون تعاملی

معرفی نوتبوک ژوپیتر

محیط VS Code

گوگل کولب (Google Colab)

دستگرمی

مقدمه‌ای بر سیستم‌های پیشنهاددهنده

اهداف فصل

آشنایی با سیستم‌های پیشنهاددهنده

نمونه‌های واقعی از سیستم‌های پیشنهاددهنده

دسته‌بندی سیستم‌های پیشنهاددهنده

سیستم‌های پیشنهاددهنده در مقابل بار اطلاعاتی

چالش‌های طراحی سیستم‌های پیشنهاددهنده

داده‌های صریح و داده‌های ضمنی

اخلاق و مسئولیت‌پذیری در سیستم‌های پیشنهاددهنده

کوییز

مروری بر مفاهیم پایه

نامپای

جبر خطی

پانداز

قدم بزرگتر با پانداز

کار با فایل

مشخ شیخ

آمار ۱

آمار ۲

کوییز ۱

پیش‌پردازش داده‌ها

پیش‌پردازش در عمل

سنجش عملکرد

کوییز ۲

کتاب‌تکانی

سیستم‌های پیشنهاد دهنده مبتنی بر محتوا

آشنایی با سیستم‌های پیشنهاددهنده محتوا-محور

استخراج ویژگی‌ها از داده‌های متنی

متاداده‌ها و استخراج اطلاعات

تبدیل متن به بردار: قلب سیستم‌های پیشنهاددهنده

به دنبال شباهت‌ها، ریاضیات ساده و نتایج بزرگ

ساخت یک پیشنهاددهنده سلیقه‌ای

پیاده‌سازی یک سیستم‌ پیشنهاددهنده : صفر تا اجرا (بخش اول)

پیاده‌سازی یک سیستم‌ پیشنهاددهنده : صفر تا اجرا (بخش دوم)

شاید این موزیک رو هم دوست داشتی

پروژه ۱

پردازش زبان فارسی

به دنبال خبر

پالایش گروهی مبتنی بر کاربر

معرفی سیستم‌های پالایش گروهی

پالایش گروهی مبتنی بر کاربر و آیتم!

UBCF در عمل: چگونه جنس داده‌ها، مسئله ما را تغییر می‌دهد؟

مفهوم شباهت کاربران و روش‌های اندازه‌گیری شباهت

از دل کاربران مشابه: هنر پیشنهاد محصول در پالایش جمعی

از دل کاربران مشابه: هنر پیشنهاد محصول در پالایش جمعی با داده‌های ضمنی

چالش‌های پالایش جمعی مبتنی بر کاربر

پروژه ۲

قفسه هوشمند

همیار شغلی کوئرا

پالایش گروهی مبتنی بر محصول

معرفی پالایش گروهی مبتنی بر محصول (IBCF)

اندازه‌گیری شباهت آیتم‌ها

فرآیند پیش‌بینی امتیاز و تولید لیست پیشنهادها در IBCF

الگوریتم Slope One

نگاهی به آن‌سوی سکه؛ چالش‌های پالایش جمعی مبتنی بر محصول(IBCF)

بر سر دوراهی؛ UBCF یا IBCF، کدام یک برای شما مناسب‌تر است؟

پیوند دو نگاه؛ ترکیب هوشمندانه UBCF و IBCF

پروژه ۳

همیار شغلی کوئرا (اسپین آف مبتنی بر آیتم)

سیستم پیشنهادگر هوشمند فیلم

مروری بر تجزیه ماتریسی

مفهوم ماتریس Sparse

کار با scipy.sparse

مقدمه‌ای بر تجزیه ماتریس

ماتریس تعامل

ماتریس تعامل در عمل

تعامل ادبی

ماتریس‌های بزرگ و چالش‌های آن

کشف سریع علایق کاربر با Funk-SVD

پیشنهاد سرعتی

آشنایی با ALS

پیشنهاد قدرتی

ارزیابی و بهبود

سیستم‌های پیشنهاد‌دهنده ترکیبی

چرا ترکیب مدل‌ها؟

روش‌های ترکیبی ساده (سوئیچینگ)

روش‌های ترکیبی ساده (وزنی)

فراتر از ترکیب ساده: نیاز به سیستم‌های ترتیبی (مطالعه بیشتر)

بهبود ماتریس تعاملات با اطلاعات محتوا

پیاده‌سازی عملی: صفر تا اجرا (بخش اول)

پیاده‌سازی عملی: صفر تا اجرا (بخش دوم)

پیاده‌سازی عملی: صفر تا اجرا (بخش سوم)

سنجش عملکرد در سیستم‌های پیشنهاددهنده ترکیبی

ناجی فیلم لاور

چالش‌های عملیاتی طراحی سیستم‌های پیشنهاددهنده ترکیبی

پروژه ۴

کهکشان فرصت‌ها

کاربرد یادگیری ماشین در سیستم‌های پیشنهاددهنده (Classic ML)

رگرسیون خطی

مشکل موشا

لجستیک رگرسیون

وفاداری‌سنج

مهندسی ویژگی و پیش‌پردازش داده

درخت‌های تصمیم و روش‌های مبتنی بر درخت

درخت‌های تصمیم و روش‌های مبتنی بر درخت ۲

میزبان

مقایسه و تحلیل نتایج

یادگیری نظارت‌نشده

پروژه ۵

شکموک

کاربرد یادگیری ماشین در سیستم‌های پیشنهاددهنده (Learn to Rank)

Learn to Rank چیست؟

داده ها در LTR

انواع رویکردهای یادگیری برای رتبه‌بندی

فراتر از «درستی»؛ سنجش «کیفیت»

LTR در عمل

الگوریتم LambdMART

پروژه ۶

لیست طلایی

تکمیل لیست طلایی

یادگیری‌عمیق و سیستم‌های پیشنهاددهنده (مطالعه بیشتر)

چرا یادگیری عمیق؟

شبکه عصبی چند لایه و سیستم‌های پیشنهاددهنده

روش های مبتنی بر خودرمزگذار‌ها

روش های مبتنی بر شبکه‌های عصبی کانولوشنی

شبکه‌های عصبی بازگشتی و سیستم‌های پیشنهاددهنده

روش‌های مبتنی بر مدل‌های Neural Autoregressive

شبکه‌های مولد تخاصمی و سیستم‌های پیشنهاددهنده

مکانیزم توجه، ترنسفورمر‌ها  و استفاده از آن‌ها در سیستم‌های پیشنهاددهنده

استفاده از یادگیری تقویتی عمیق در سیستم‌‌های پیشنهاددهنده

معایب استفاده از روش های مبتنی بر یادگیری عمیق

کوییز ۳

روش‌های دیگر (مطالعه بیشتر)

انواع نگاه به سیستم‌های پیشنهاددهنده ۱

انوع نگاه به سیستم‌های پیشنهاددهنده ۲

گراف‌ها در سیستم‌های پیشنهاددهنده ۱

گراف‌ها در سیستم‌های پیشنهاددهنده ۲

گراف‌ها در سیستم‌های پیشنهاددهنده ۳

گراف‌ها در سیستم‌های پیشنهاددهنده ۴

سیستم‌های پیشنهاددهنده مولد

سیستم‌های پیشنهاددهنده و Federated Learning

هر روز با حجم عظیمی از انتخاب‌ها مواجه می‌شویم؛ از انتخاب فیلم در پلتفرم‌های آنلاین گرفته تا خرید یک کتاب یا انتخاب آهنگ برای گوش دادن. شاید برایتان پیش آمده باشد که یک فروشگاه اینترنتی درست همان محصولی را به شما پیشنهاد دهد که به آن فکر می‌کردید! پشت این پیشنهادها، سیستمی هوشمند و پیچیده قرار دارد: «سیستم‌های پیشنهاددهنده».

سیستم‌های پیشنهاددهنده، بخشی جدایی‌ناپذیر از زندگی دیجیتال ما شده‌اند. از نتفلیکس و آمازون گرفته تا دیجی‌کالا و اسپاتیفای، همه این سرویس‌ها با استفاده از الگوریتم‌های پیشرفته و تحلیل رفتاری کاربران، سعی می‌کنند بهترین انتخاب‌ها را به ما نشان دهند. این فناوری، حاصل تلفیق دانش داده‌کاوی، یادگیری ماشین، تحلیل آماری و درک عمیق از رفتار انسان‌هاست.

آیا تاکنون با خود فکر کرده‌اید که این سیستم‌ها چگونه سلیقه‌ی شما را پیش‌بینی می‌کنند؟ یا چرا برخی پیشنهادها بسیار دقیق‌اند، در حالی که برخی دیگر بی‌ربط به نظر می‌رسند؟ در این دوره، با مفاهیم بنیادین و عملیاتی پشت این سیستم‌ها آشنا می‌شوید. یاد می‌گیرید که چگونه الگوریتم‌هایی مانند پالایش گروهی (Collaborative Filtering)، سیستم‌های مبتنی بر محتوا (Content-Based) و مدل‌های ترکیبی (Hybrid Models) کار می‌کنند.

این دوره برای شما مناسب است اگر به تحلیل داده‌ها، طراحی سیستم‌های هوشمند یا کاربردهای عملی هوش مصنوعی علاقه دارید. نگران نباشید اگر تاکنون با سیستم‌های پیشنهاددهنده کار نکرده‌اید؛ این دوره به زبان ساده اما دقیق، شما را با مبانی نظری و ابزارهای کاربردی آن آشنا می‌کند. تسلط پایه‌ای بر پایتون و ریاضیات مقدماتی کافی‌ست تا بتوانید از محتوای دوره بهره‌مند شوید.

در طول این مسیر، می‌آموزید که چگونه داده‌های کاربران را تحلیل کنید، مدل‌های توصیه‌گر بسازید و آن‌ها را بهینه‌سازی نمایید. با مفاهیمی مانند تشابه، ماتریس‌های رتبه‌دهی، مدل‌سازی ترجیحات و ارزیابی عملکرد سیستم‌های پیشنهاددهنده آشنا خواهید شد.

از کاربردهای تجاری گرفته تا تجربه‌ی کاربری بهتر، این سیستم‌ها نقش مهمی در موفقیت پلتفرم‌های دیجیتال دارند. اگر به دنبال ورود یا پیشرفت در حوزه‌هایی مانند علم داده، یادگیری ماشین یا طراحی محصولات دیجیتال هستید، شناخت دقیق این سیستم‌ها یک گام حیاتی خواهد بود.

در این کالج، می‌آموزیم که چگونه سیستم‌های توصیه‌گر را از پایه طراحی کنیم، داده‌های کاربران را به درستی تحلیل کنیم و تجربه‌های شخصی‌سازی‌شده و اثربخش بسازیم. خواه هدف شما تحلیل سلیقه‌ی مشتریان باشد، یا ساخت محصولاتی هوشمندتر، این دوره می‌تواند نقطه‌ی شروع یا سکوی پرتاب شما در این مسیر باشد.

سیستم‌های پیشنهاد دهنده